論文の概要: \textbf{PLATO}: \emph{Preintegration Learning from Accurate Trajectory Observations} for Neural Inertial Odometry

• arxiv url: http://arxiv.org/abs/2609.06450v1
• Date: Sun, 06 Sep 2026 07:55:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 05:37:16.460593
• Title: \textbf{PLATO}: \emph{Preintegration Learning from Accurate Trajectory Observations} for Neural Inertial Odometry
• Title（参考訳）: \textbf{PLATO}: \emph{Preintegration Learning from Accurate Trajectory Observations} for Neural Inertial Odometry
• Abstract要約: 本稿では,精度の高い軌道観測から得られたtextbfPLATO:emphPreintegration Learningを紹介する。 正確な軌道観測を利用してIMUバイアスダイナミクスを共同学習する可能性に基づくフレームワークである。 調整された二重随伴スキームは、離散不変エラー随伴とバイアスNODEの連続時間随伴とを結合し、メモリ効率の最適化を可能にする。
• 参考スコア（独自算出の注目度）: 13.055293475825872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural inertial odometry has demonstrated strong potential for motion estimation in challenging environments, yet inertial-only preintegration remains sensitive to IMU bias and uncertainty. To this end, this paper introduces \textbf{PLATO}:~\emph{Preintegration Learning from Accurate Trajectory Observations}, a likelihood-based framework that leverages accurate trajectory observations to jointly learn IMU bias dynamics modeled by a neural ordinary differential equation~(NODE) and gyroscope and accelerometer noise covariances. Optimization exploits the sparse structure of the negative log-likelihood, with IMU noise-parameter gradients computed by forward differentiation. A tailored double-adjoint scheme couples a discrete invariant-error adjoint with a continuous-time adjoint for the bias NODE, enabling memory-efficient likelihood optimization over the nested bias-dynamics and IMU-preintegration rollouts. Validation on EuRoC shows improved performance, and underwater robot experiments demonstrate applicability under intermittent lighting failures and visual degradation.
• Abstract（参考訳）: 神経慣性オドメトリーは、困難な環境での運動推定に強い可能性を示しているが、慣性のみの事前積分はIMUバイアスや不確実性に敏感である。 そこで本研究では, 精度の高い軌道観測を応用し, ニューラル常微分方程式~(NODE)とジャイロスコープ, 加速度計のノイズ共分散をモデル化したIMUバイアスダイナミクスを共同学習するための, 確率に基づくフレームワークである, textbf{PLATO}:~\emph{Preintegration Learning from Accurate Trajectory Observations}を紹介する。 最適化は、IMUノイズパラメータ勾配を前方微分によって計算した負対数様のスパース構造を利用する。 調整された二重共役スキームは、離散不変エラー随伴とバイアスNODEの連続時間随伴とを結合し、ネストされたバイアス力学とIMU-事前積分ロールアウトに対するメモリ効率の最適化を可能にする。 EuRoCのバリデーションは性能の向上を示し、水中ロボット実験は断続的な点灯障害と視覚的劣化による適用性を示す。

関連論文リスト

• PedestrianDiffusion: Multimodal Generative Denoising and Dense State Estimation for Inertial Navigation [1.8620637029128544]
  ペデストリアン拡散(PedestrianDiffusion)は、密度の高い6次元状態推定を連続的な条件付き偏微分過程として再構成する生成フレームワークである。 最先端の性能を達成し、衝動の摂動と6Dキネマティックドリフトの結合に対する前例のない頑丈さを示す。 この研究は、次世代ニューラル慣性測定ユニット(N-IMU)のための厳密なアルゴリズム的青写真を提供する。
  論文  参考訳（メタデータ） (2026-07-03T14:04:30Z)
• SATB-VR: Training Few-Step Video Restoration Diffusion Model using SNR-Aware Trajectory Blending [55.764018145256216]
  本稿では,補助予測器を介してデノナイジングプロセスを開始する数ステップのパラダイムであるSATB-VRを提案する。 我々は,SATB-VRが,合成,実世界,AIGCベンチマークにおける既存のアプローチに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2026-06-27T01:32:16Z)
• Effective Covariance Dynamics in Solvable High-Dimensional GANs [2.639628765667673]
  線形生成器がデータから低次元部分空間を学習するGANトレーニングの可解な高次元モデルについて検討する。 顕微鏡トレーニングプロセスが高次元の極限において、この効果的な共分散によって支配される決定論的常微分方程式に収束することを証明する。
  論文  参考訳（メタデータ） (2026-06-25T16:33:54Z)
• Latent-Variable Learning of SPDEs via Wiener Chaos [2.0901018134712297]
  線形偏微分方程式(SPDE)の法則を観測から加法的ガウス強制で学習する問題について検討する。 提案手法はスペクトルガレルキン射影と乱れたウィナーカオス展開を組み合わせ、進化と強制領域を分離する。 これにより、無限次元決定論的SPDEは、潜時時間力学を管理するパラメタライズされた常微分方程式の有限系に還元される。
  論文  参考訳（メタデータ） (2026-02-12T10:19:43Z)
• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Self-induced stochastic resonance: A physics-informed machine learning approach [0.0]
  自己誘発共鳴(英: Self-induced resonance, SISR)は、ノイズのみによって駆動される励起系におけるコヒーレント振動の出現である。 本研究は、フィッツヒューニューロンにおけるSISRのモデリングと予測のための物理インフォームド機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-26T21:49:20Z)
• Revisiting Zeroth-Order Optimization: Minimum-Variance Two-Point Estimators and Directionally Aligned Perturbations [57.179679246370114]
  乱摂動の分布は, 摂動段差がゼロになる傾向にあるため, 推定子の分散を最小限に抑える。 以上の結果から, 一定の長さを維持するのではなく, 真の勾配に方向を合わせることが可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-10-22T19:06:39Z)
• Nonparametric learning of stochastic differential equations from sparse and noisy data [2.389598109913754]
  強い構造仮定なしでデータから直接ドリフト関数を学習する。 我々は,新しいモンテカルロ法(SMC)を用いた期待最大化法(EM)アルゴリズムを開発した。 EM-SMC-RKHS法により、低データ状態における力学系のドリフト関数を正確に推定できる。
  論文  参考訳（メタデータ） (2025-08-15T17:01:59Z)
• A Stochastic Approach to Bi-Level Optimization for Hyperparameter Optimization and Meta Learning [74.80956524812714]
  我々は,現代のディープラーニングにおいて広く普及している一般的なメタ学習問題に対処する。 これらの問題は、しばしばBi-Level Optimizations (BLO)として定式化される。 我々は,与えられたBLO問題を,内部損失関数が滑らかな分布となり,外損失が内部分布に対する期待損失となるようなii最適化に変換することにより,新たな視点を導入する。
  論文  参考訳（メタデータ） (2024-10-14T12:10:06Z)
• Learning Discretized Neural Networks under Ricci Flow [48.47315844022283]
  低精度重みとアクティベーションからなる離散ニューラルネットワーク(DNN)について検討する。 DNNは、訓練中に微分不可能な離散関数のために無限あるいはゼロの勾配に悩まされる。
  論文  参考訳（メタデータ） (2023-02-07T10:51:53Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• Neural Control Variates [71.42768823631918]
  ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。 理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。 具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
  論文  参考訳（メタデータ） (2020-06-02T11:17:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。