論文の概要: GINIO: A Geometric SO(3)-Equivariant Interface for Neural Inertial Odometry

• arxiv url: http://arxiv.org/abs/2609.25338v1
• Date: Mon, 21 Sep 2026 19:28:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.091607
• Title: GINIO: A Geometric SO(3)-Equivariant Interface for Neural Inertial Odometry
• Title（参考訳）: GINIO: 神経慣性オドメトリーのための幾何SO(3)-等価インタフェース
• Abstract要約: 我々は、IMU測定フレームの任意の回転の下で、神経慣性オドメトリーのための幾何SO(3)等価なインタフェースであるGINIOを提案する。 センサフレームの効率的な学習を支援するために,決定論的前処理ステップであるLast-Frame Alignment(LFA)を導入する。 また、フィルタ接続されたNIO、AirIOスタイルのリカレント空中予測、EqNIOスタイルのフルSO(3)標準化、ResNetスタイルの時間バックボーンにおいて、同じインターフェースをインスタンス化する。
• 参考スコア（独自算出の注目度）: 11.049454306210428
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural inertial odometry increasingly uses networks as learned measurements inside filtering pipelines. Such measurements should transform consistently under arbitrary IMU mounting conventions: their mean must transform as a vector, and their covariance must transform congruently as a second-order tensor. We present GINIO, a geometric SO(3)-equivariant interface for neural inertial odometry under arbitrary rotations of the IMU measurement frame. Given calibrated IMU windows, our framework predicts a motion measurement and uncertainty obeying these tensorial laws. To support efficient sensor-frame learning, we introduce Last-Frame Alignment (LFA), a deterministic preprocessing step that is provably equivalent to world-frame training for SO(3)-equivariant predictors. The connected estimator tracks sensor-local states such as IMU bias, separating nuisance estimation from the geometric law enforced by the learned measurement. We instantiate the same interface in filter-connected NIO, AirIO-style recurrent aerial prediction, EqNIO-style full-SO(3) canonicalization, and ResNet-style temporal backbones. On TLIO, GINIO achieves 2.018 m ID/SO(3) ATE while EqNIO degrades to 76.389 m, using 11.6x fewer FLOPs. On NanoBench, our AirIO-style instantiation improves ATE from 5.579 m to 1.430 m without external attitude input, and our ResNet-style instantiation reaches 0.581 m ATE versus 0.645 m for ResNet1D. On Fetch, GINIO empirically reduces unseen physical-remount ATE from 8.15 m to 0.50 m without retraining, demonstrating robustness beyond the exact coordinate-frame guarantee. For uncertainty, spectral covariance reduces covariance-equivariance error by over three orders of magnitude compared with a diagonal head.
• Abstract（参考訳）: ニューラルネットワークの慣性オドメトリーは、フィルタリングパイプライン内での学習測定としてネットワークをますます利用している。 平均はベクトルとして変換されなければならないし、共分散は2階テンソルとして連続的に変換されなければならない。 我々は、IMU測定フレームの任意の回転の下で、神経慣性オドメトリーのための幾何SO(3)等価なインタフェースであるGINIOを提案する。 IMUウィンドウの校正を前提として,これらのテンソル法則に従う動きの測定と不確実性を予測する。 センサフレームの効率的な学習を支援するために,SO(3)同変予測器のワールドフレームトレーニングと同等の決定論的前処理ステップであるLast-Frame Alignment(LFA)を導入する。 接続推定器は、IMUバイアスなどのセンサ局所状態を追跡し、学習された測定によって強制される幾何法則からニュアンス推定を分離する。 フィルタ接続されたNIO、AirIOスタイルのリカレント空中予測、EqNIOスタイルのフルSO(3)標準化、ResNetスタイルの時間バックボーンにおいて、同じインターフェースをインスタンス化する。 TLIOでは、GINIOは2.018 m ID/SO(3) ATEを達成し、EqNIOは11.6倍のFLOPを用いて76.389 mまで低下する。 NanoBenchでは、AirIOスタイルのインスタンス化により、外部の姿勢入力なしでATEが5.579mから1.430mに向上し、ResNetスタイルのインスタンス化は、ResNet1Dでは0.581mとなる。 Fetchでは、GINIOは正確に座標フレームの保証を超えた堅牢性を示すために、未確認の物理的再マウントATEを再トレーニングなしで8.15mから0.50mに実証的に還元する。 不確実性のため、スペクトル共分散は対角ヘッドと比較して3桁以上の共分散-等分散誤差を減少させる。

関連論文リスト

• ADEx-FNO: A Unified Ambient-Domain Framework for Fourier Neural Operators on Varying Geometries [0.0]
  フーリエニューラル演算子(FNO)は効率的な非局所スペクトル学習を提供するが、異なる測地と独立に選択された離散化は対応し難いままである。 定義FNO層を変更せずに幾何学を組み込む決定論的フレームワークである、環境領域拡張フーリエニューラル演算子(ADEx-FNO)を導入する。 ADEx-FNOは2次元および3次元の保持された滑らかな非線形ポアソンと対流-反動-拡散問題に対して0.32%-0.77%の相対的なl2誤差を達成し、非滑らかな地平線上でも評価される。
  論文  参考訳（メタデータ） (2026-08-09T09:41:25Z)
• Distance-Aware Muon: Adaptive Step Scaling for Normalized Optimization [47.817303172845506]
  ミューオンと関連する正規化は、ステップスケールの選択から更新方向の選択を分離する。 我々は,Muonチューニングのための3つの補完アルゴリズムを開発し,正規化適応スケーリングパラメータを開発した。
  論文  参考訳（メタデータ） (2026-05-18T18:19:26Z)
• Directional Consistency as a Complementary Optimization Signal: The GONO Framework [0.0]
  我々は、深層学習最適化における未探索現象を定式化し、指向性アライメントと損失収束を分離することができる。 本稿では,方向整合性の下でモーメントを増幅し,振動中にそれを抑圧する cc_t に基づいて,Adam の運動量ベータを適応させる GONO を紹介する。 我々は、GONOがAdamの収束率と一致することを証明し、信号が非形式的であるとき、正確にAdamに還元する。
  論文  参考訳（メタデータ） (2026-05-07T17:05:05Z)
• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• PINGS: Physics-Informed Neural Network for Fast Generative Sampling [0.0]
  PINGSは,物理インフォームドネットワークをトレーニングし,逆時間確率フローのダイナミクスを近似することで拡散サンプリングを補正するフレームワークである。 概念実証として、3次元標準正規から非ガウスガウス混合モデル(GMM)への直接写像を学習する。 PINGSは、終点アンカーを持つPINNスタイルの残差問題として生成的サンプリングを行い、NFE = 1 のホワイトボックスで微分可能な写像を得る。
  論文  参考訳（メタデータ） (2025-09-14T14:22:33Z)
• Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
  分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。 学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。 また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
  論文  参考訳（メタデータ） (2025-02-14T03:26:57Z)
• Scaling Up 3D Kernels with Bayesian Frequency Re-parameterization for Medical Image Segmentation [25.62587471067468]
  RepUX-Netは、単純な大きなカーネルブロック設計を持つ純粋なCNNアーキテクチャである。 人間の視覚系における空間周波数にインスパイアされ、カーネル収束を要素的設定に変化させるよう拡張する。
  論文  参考訳（メタデータ） (2023-03-10T08:38:34Z)
• Back to MLP: A Simple Baseline for Human Motion Prediction [59.18776744541904]
  本稿では、歴史的に観察されたシーケンスから将来の身体のポーズを予測することによる、人間の動作予測の課題に取り組む。 これらの手法の性能は、0.14Mパラメータしか持たない軽量で純粋にアーキテクチャアーキテクチャによって超えることができることを示す。 Human3.6M, AMASS, 3DPWデータセットの徹底的な評価は, siMLPeをダブした我々の手法が, 他のアプローチよりも一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2022-07-04T16:35:58Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Enhancing Geometric Factors in Model Learning and Inference for Object Detection and Instance Segmentation [91.12575065731883]
  境界ボックス回帰および非最大抑圧(NMS)における幾何学的要素の強化を目的とした完全IoU損失とクラスタNMSを提案する。 CIoU損失を用いたディープラーニングモデルのトレーニングは、広く採用されている$ell_n$-norm損失とIoUベースの損失と比較して、一貫性のあるAPとARの改善をもたらす。 クラスタ-NMSは、純粋なGPU実装のため非常に効率的であり、APとARの両方を改善するために幾何学的要素を組み込むことができる。
  論文  参考訳（メタデータ） (2020-05-07T16:00:27Z)

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。