論文の概要: NeuRIO: A Streaming Neural Estimator for Zero-Shot Sim-to-Real Multi-Robot Relative Inertial Odometry
- arxiv url: http://arxiv.org/abs/2609.21707v1
- Date: Fri, 18 Sep 2026 12:44:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:17.085704
- Title: NeuRIO: A Streaming Neural Estimator for Zero-Shot Sim-to-Real Multi-Robot Relative Inertial Odometry
- Title（参考訳）: Neurio: ゼロショット型マルチロボット相対慣性慣性オドメトリーのためのストリーミング型ニューラル推定器
- Abstract要約: NeuRIOは、アンカーレス6-DoF相対慣性オドメトリーのためのストリーミングニューラルネットワーク推定器である。
NeuRIOは測定結果を重力に整合した座標に分類し、ロボットをノードとして、相互観測を要素として表現する。
ノイリオは14.1,mathrmcm$ポジションRMSEと3.9円回転RMSEを達成している。
- 参考スコア（独自算出の注目度）: 7.537077334125468
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present NeuRIO, a streaming neural estimator for anchor-free 6-DoF relative inertial odometry using only identified inter-robot bearings, ranges, and IMU measurements. NeuRIO canonicalizes measurements into gravity-aligned coordinates, represents robots as nodes and mutual observations as factors, and uses attention for spatial reasoning and GRUs for temporal modeling. As a graph network, NeuRIO applies shared node-wise and factor-wise operators throughout the network, enabling it to handle different team sizes and time-varying observation graphs. NeuRIO is trained on a simulator that couples various motion patterns, device-level sensor characteristics, and diverse, realistic modeled, and temporally persistent sensor corruptions. In this way, NeuRIO achieves zero-shot sim-to-real transfer. Across $24$ real-world sequences, NeuRIO achieves $14.1\,\mathrm{cm}$ position RMSE and $3.9^\circ$ rotation RMSE. More importantly, NeuRIO demonstrates strong computational scalability, maintaining an update cost below $20\,\mathrm{ms}$ with up to $400$ robots in simulation, while optimization-based methods exceed $20\,\mathrm{ms}$ at only $24$ robots. Moreover, even trained on limited team sizes, NeuRIO transfers directly to unseen larger teams without architectural or parameter changes.
- Abstract（参考訳）: 我々は,ロボット間ベアリング,レンジ,IMU測定のみを用いて,アンカーレス6-DoF比慣性オドメトリーのためのストリーミングニューラル推定器であるNeuriOを提案する。
ノイリオは、測定を重力座標に分類し、ロボットをノードとして、相互観測を要因として表現し、空間的推論に注意を向け、時間的モデリングにGRUを使用する。
グラフネットワークとして、NeuRIOはネットワーク全体にノードワイドとファクタワイドの演算子を適用し、異なるチームサイズと時間変化の観測グラフを扱えるようにします。
NeuRIOは、様々な動きパターン、デバイスレベルのセンサー特性、多様でリアルなモデル付き、時間的に持続するセンサーの破損を結合するシミュレーターで訓練されている。
このようにして、ノイリオはゼロショットsim-to-real転送を達成する。
実世界の24ドルのシークエンスで、NeuriO は 14.1\,\mathrm{cm}$ position RMSE と $3.9^\circ $ rotation RMSE を達成している。
さらに重要なのは、NeuRIOは強力な計算スケーラビリティを示し、最大400ドルのロボットで20ドル未満の更新コストを維持し、最適化ベースのメソッドはわずか24ドルのロボットで20ドルを超えることだ。
さらに、限られたチームサイズでトレーニングしても、NeuriOはアーキテクチャやパラメータの変更なしに、目に見えない大きなチームに直接移行します。
関連論文リスト
- Memristive-Friendly Hadamard Reservoir Computing: Structured, Multiplier-Free Recurrences at Scale [10.72107520133713]
貯留層コンピューティング(Reservoir Computing, RC)は、ニューラルネットワークを、固定された、訓練されていない、反復的なレイヤを中心に設計し、ニューロモルフィックハードウェアの自然な候補である。
我々は、密度行列を、符号対角線、置換、ウォルシュ・ハダマール変換から構築された構造化直交作用素に置き換える。
3つのハードウェアプラットフォームでは、高密度の製品よりも最大50ドル以上、メモリは104ドル以下になる。
論文 参考訳（メタデータ） (2026-08-28T12:58:42Z) - DataLadder: A Simulation-Enabled Interconversion Toolchain for the Embodied Data Pyramid [63.45560198934907]
ジェネラリストロボットポリシーは、信頼できる評価とロボット使用可能なトレーニングデータを必要とする。
本稿では,人間ロボットによるモデル評価とデータ生成のためのシミュレーション可能な変換ツールチェーンであるDataLadderを提案する。
JD Cloud上のクラウドサービスとして、コア再構築、シミュレーション、レンダリング、リアリズム拡張モジュールをパッケージ化します。
論文 参考訳（メタデータ） (2026-06-15T14:21:35Z) - Radial Müntz-Szász Networks: Neural Architectures with Learnable Power Bases for Multidimensional Singularities [3.1861308132183375]
ラジアル Mntz-Szsz Networks (RMN) は、学習可能なラジアルパワーの線形結合として、負の指数を含む$r$を表す。
RMNは座標よりも1.5$times$-51$times$低いRMSE、10$times$-100$times$低いRMSEを達成する。
論文 参考訳（メタデータ） (2026-02-09T09:25:37Z) - Evolution Strategies at the Hyperscale [57.75314521465674]
本稿では,大集団にバックプロップフリーな最適化を拡大するための進化戦略(ES)アルゴリズムEGGROLLを紹介する。
ESは、微分不可能またはノイズの多い目的を処理できる強力なブラックボックス最適化手法のセットである。
EGGROLLはランダム行列を$Ain mathbbRmtimes r, Bin mathbbRntimes r$ with $rll min(m,n)$ とすることでこれらのボトルネックを克服し、低ランク行列摂動を$A Btop$とする。
論文 参考訳（メタデータ） (2025-11-20T18:56:05Z) - Constructive Universal Approximation and Sure Convergence for Multi-Layer Neural Networks [0.0]
o1Neuroはスパースインジケータ活性化ニューロン上に構築された新しいニューラルネットワークモデルである。
人口レベルでは、深い o1Neuro は $boldsymbolX$ の任意の可測関数を近似することができる。
サンプルレベルでは、o1Neuroの最適化は、十分に多くの更新ラウンドの後、確率が1に近づく最適モデルに達する。
論文 参考訳（メタデータ） (2025-07-07T08:55:28Z) - Reduced-Order Neural Operators: Learning Lagrangian Dynamics on Highly Sparse Graphs [19.1312659245072]
我々は,データ駆動型離散化不変フレームワークであるGIOROMについて,低次モデリング(ROM)によるラグランジアンシミュレーションを高速化する。
我々は、PDEソリューション演算子のデータ駆動グラフに基づくニューラル近似を利用する。
GIOROMは6.6$times$-32$times$の入力次元の縮小を実現し、多様なラグランジアン体制における高忠実度再構成を維持している。
論文 参考訳（メタデータ） (2024-07-04T13:37:26Z) - NeuPAN: Direct Point Robot Navigation with End-to-End Model-based Learning [67.53972459080437]
乱雑で未知の環境で非ホロノミックロボットをナビゲートするには、リアルタイム衝突回避のための正確な認識と正確な動きが必要である。
本稿では, リアルタイム, 高精度, 地図のない, 展開が容易で, 環境によらないロボットモーションプランナであるNeuPANについて述べる。
論文 参考訳（メタデータ） (2024-03-11T15:44:38Z) - Accurate, Low-latency, Efficient SAR Automatic Target Recognition on
FPGA [3.251765107970636]
合成開口レーダ(SAR)自動目標認識(ATR)はリモートセンシング画像認識の鍵となる技術である。
SAR ATRのための最先端の畳み込みニューラルネットワーク(CNN)は、エンハンハイ計算コストとエンハンラージメモリフットプリントに悩まされている。
本稿では,これらの問題に対処するため,FPGA 上でモデルアーキテクチャを包括的に設計する手法を提案する。
論文 参考訳（メタデータ） (2023-01-04T05:35:30Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Neural Capacitance: A New Perspective of Neural Network Selection via
Edge Dynamics [85.31710759801705]
現在の実践は、性能予測のためのモデルトレーニングにおいて高価な計算コストを必要とする。
本稿では,学習中のシナプス接続(エッジ)上の制御ダイナミクスを解析し,ニューラルネットワーク選択のための新しいフレームワークを提案する。
我々のフレームワークは、ニューラルネットワークトレーニング中のバックプロパゲーションがシナプス接続の動的進化と等価であるという事実に基づいて構築されている。
論文 参考訳（メタデータ） (2022-01-11T20:53:15Z)
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。