論文の概要: MAC-I$^2$: Learned Metrics-Aware Covariance for Robust Visual-Inertial Fusion in Initialization and Calibration

• arxiv url: http://arxiv.org/abs/2609.07116v1
• Date: Mon, 07 Sep 2026 06:58:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 01:30:57.741505
• Title: MAC-I$^2$: Learned Metrics-Aware Covariance for Robust Visual-Inertial Fusion in Initialization and Calibration
• Title（参考訳）: MAC-I$^2$: 初期化と校正におけるロバスト視覚-慣性融合のための学習メトリクス-認識共分散
• Abstract要約: Visual-Inertial (VI) 融合は、正確で堅牢な状態推定の基礎である。 MAC-I$2$は、両方のモダリティに対する学習された計量-認識共分散を通して、ロバストVI融合を実現する。 EuRoC と VBR の実験では、MAC-I$2$ が既存の手法よりかなり優れていた。
• 参考スコア（独自算出の注目度）: 29.903700842398717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual-Inertial (VI) fusion is fundamental to accurate and robust state estimation, where camera and IMU measurements are combined according to their respective uncertainties. Existing methods, however, fuse the two modalities with predefined uncertainties, regardless of how reliable each is in the local context, and thus often struggle under challenging environments involving illumination changes, dynamic objects, and textureless regions. In this paper, we present MAC-I$^2$, which achieves robust VI fusion through learned metric-aware covariance for both modalities, so that vision and IMU compete on their own merits rather than relying on predefined uncertainties. Here, metrics-aware means that each predicted covariance faithfully reflects the actual magnitude of the corresponding measurement noise. On the visual side, we propagate learned feature-matching uncertainties into pose covariances for the fusion. On the inertial side, motivated by the observation that integration error accumulates sharply at the early stage and grows slowly afterward, we design a learned IMU model with a learnable initial covariance, and propose a dedicated fine-tuning strategy on a held-out training subset to enable the metrics-aware covariance on unseen sequences. As a showcase, we build a VI initialization and calibration system, since accurate and robust initialization and calibration are the prerequisite for any reliable VI system. Experiments on EuRoC, and VBR show that MAC-I$^2$ substantially outperforms existing methods: it achieves a 99.9% initialization success rate on EuRoC, reducing gravity and velocity errors by about 60% and 42% over the strongest baseline, and maintains 80% success rate on challenging VBR sequences where baseline methods such as VINS-Mono drop below 10%.
• Abstract（参考訳）: 視覚慣性 (VI) 融合は、それぞれの不確実性に応じてカメラとIMUの測定を組み合わせ、正確で堅牢な状態推定の基礎となる。 しかし、既存の手法では、各モードが局所的な文脈でどれだけ信頼されているかに関わらず、事前に定義された不確実性で2つのモードを融合させるため、照明の変化、動的オブジェクト、テクスチャレス領域を含む困難な環境下でしばしば苦労する。 本稿では,両モードの学習的距離認識共分散によりロバストVI融合を実現するMAC-I$^2$を提案する。 ここで、メトリクス認識とは、各予測共分散が対応する測定ノイズの実際の大きさを忠実に反映することを意味する。 視覚面では、学習した特徴マッチングの不確かさを融合に相違をもたらすように伝播する。 Inertial側では、積分誤差が早期に急激に蓄積し、その後徐々に増加するという観察に動機付けられ、学習可能な初期共分散を持つ学習型IMUモデルを設計し、未確認シーケンスにおけるメトリクス認識共分散を可能にするために、保持されたトレーニングサブセットに専用の微調整戦略を提案する。 実演として、信頼性の高いVIシステムでは、正確で堅牢な初期化と校正が必須であるため、VI初期化と校正システムを構築します。 MAC-I$^2$は、EuRoCの初期化成功率99.9%を達成し、最強のベースライン上で重力と速度の誤差を約60%と42%削減し、VINS-Monoのようなベースラインメソッドが10%未満の挑戦VBRシークエンスにおいて80%の成功率を維持する。

関連論文リスト

• When Do Learned Priors Help Visual Inertial Estimation? A Controlled Study of Prior Integration, Calibration, Initialization, and Backend Consistency [27.790263172718635]
  学習支援型視覚-慣性推定のためのフレームワークを提案する。 局所的な動きの整合性,大域的軌道の精度,物理状態の正当性,数値的整合性の4つのエビデンス層を評価した。 その結果,融合性能だけでは学習前の価値を確立できないことがわかった。
  論文  参考訳（メタデータ） (2026-09-12T07:44:53Z)
• Link Prediction or Perdition: the Seeds of Instability in Knowledge Graph Embeddings [2.1174215880331766]
  埋め込みモデル(KGEMs)は知識グラフの完全化のための主要なリンク予測手法である。 標準評価プロトコルは、MRRやHits@$K$のようなランクベースのメトリクスを強調するが、通常、結果の安定性に対するランダムシードの影響を見落としている。 高性能モデルでは, 3次元空間と高変数空間において, 分岐予測が実際に発生する。
  論文  参考訳（メタデータ） (2026-06-02T09:13:50Z)
• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• Beyond the Mean: Distribution-Aware Loss Functions for Bimodal Regression [13.50774354486614]
  正規化RMSEとワッサースタイン距離とクラメール距離を組み合わせた分布認識損失関数のファミリーを提案する。 我々のフレームワークは、信頼性と堅牢性の両方においてMDNを厳格に支配し、信頼できるAIシステムにおけるアレタリック不確実性推定のための信頼性の高いツールを提供する。
  論文  参考訳（メタデータ） (2026-03-20T18:37:05Z)
• 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$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
  モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。 累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。 主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
  論文  参考訳（メタデータ） (2026-02-10T21:08:53Z)
• CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
  隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。 ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
  論文  参考訳（メタデータ） (2025-10-02T02:14:33Z)
• Data-Driven Calibration of Prediction Sets in Large Vision-Language Models Based on Inductive Conformal Prediction [0.0]
  動的しきい値キャリブレーションとクロスモーダル整合性検証を統合したモデル非依存不確実性定量化法を提案する。 このフレームワークは、様々なキャリブレーションとテストの分割比で安定したパフォーマンスを実現し、医療、自律システム、その他の安全に敏感な領域における現実的な展開の堅牢性を強調している。 この研究は、マルチモーダルAIシステムにおける理論的信頼性と実用性の間のギャップを埋め、幻覚検出と不確実性を考慮した意思決定のためのスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-04-24T15:39:46Z)
• Towards Understanding Variants of Invariant Risk Minimization through the Lens of Calibration [0.6906005491572401]
  本稿では,Information BottleneckをベースとしたITMが,異なる環境における一貫したキャリブレーションを実現することを示す。 私たちの経験的証拠は、環境全体にわたって一貫した校正を示すモデルも十分に校正されていることを示している。
  論文  参考訳（メタデータ） (2024-01-31T02:08:43Z)
• ELFNet: Evidential Local-global Fusion for Stereo Matching [17.675146012208124]
  ステレオマッチングのためのtextbfEvidential textbfLocal-global textbfFusion (ELF) フレームワークを提案する。 不確実性推定と信頼に値する頭部との信頼を意識した融合の両方を付与する。
  論文  参考訳（メタデータ） (2023-08-01T15:51:04Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• Semi-Supervised Learning with Variational Bayesian Inference and Maximum Uncertainty Regularization [62.21716612888669]
  半教師付き学習(SSL)を改善するための2つの一般的な方法を提案する。 第一に、重量摂動(WP)を既存のCR(Consistency regularization)ベースの手法に統合する。 第2の手法は「最大不確実性正規化(MUR)」と呼ばれる新しい整合性損失を提案する。
  論文  参考訳（メタデータ） (2020-12-03T09:49:35Z)

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。