論文の概要: TM-APR: Thermal Temporal-Memory Localization via Analytic Online Adaptation
- arxiv url: http://arxiv.org/abs/2609.26766v1
- Date: Tue, 22 Sep 2026 17:46:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-24 01:05:39.775641
- Title: TM-APR: Thermal Temporal-Memory Localization via Analytic Online Adaptation
- Title（参考訳）: TM-APR:分析オンライン適応による温度時間メモリの局在化
- Abstract要約: サーマル・ヴィジョン・プレース認識(Thermal VPR)は、カメラの観察を地図化された環境内のメートル法ポーズにマッピングし、自律的なナビゲーションの前提条件として機能する。
解析的クラスインクリメンタルラーニング(ACIL)をドメイン不変なVPRで初めて橋渡しし、その勾配のない行列更新が驚くほど強力なベースラインを構築し、従来の微調整よりも優れていることを示した。
我々の定式化は、$mathcalO(1)$の計算複雑性内で正確なクローズドフォームマトリックス更新を保証します。
- 参考スコア（独自算出の注目度）: 0.7734726150561086
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Thermal Visual Place Recognition (Thermal VPR) maps camera observations to metric poses within a mapped environment, serving as a prerequisite for autonomous navigation. However, thermal VPR suffers from severe environmental dependence, heavy online retraining overheads, and an inability to model dynamic non-linear shifts, causing existing frameworks to fail during online deployment. To achieve robust domain-invariant place recognition, we bridge Analytic Class-Incremental Learning (ACIL) with domain-invariant VPR for the first time, revealing that its gradient-free matrix updates construct a surprisingly strong baseline that outperforms conventional fine-tuning. Nevertheless, standard ACIL exhibits a critical vulnerability to extreme non-linear thermal fluctuations due to its structural linear assumptions. To overcome this limitation, we exploit a novel algebraic equivalence between ACIL and modern control theory, proposing a framework which embeds Unscented propagation (U-ACIL), Gaussian Mixture partitioning (GMM-ACIL), and minimax $H_\infty$ optimization ($H_\infty$-ACIL) directly into the update loop. Our formulation guarantees exact closed-form matrix updates within $\mathcal{O}(1)$ computational complexity, bypassing backpropagation to ensure that the online update latency ($Δt_{\mathrm{learn}}$) remains strictly bounded below the sensor acquisition interval ($Δt_{\mathrm{acquire}}$), thereby eliminating trajectory jumps in real-time SLAM pipelines.
- Abstract（参考訳）: サーマル・ヴィジョン・プレース認識(Thermal VPR)は、カメラの観察を地図化された環境内のメートル法ポーズにマッピングし、自律的なナビゲーションの前提条件として機能する。
しかしながら、熱VPRは、厳しい環境依存、重度のオンラインリトレーニングオーバーヘッド、動的非線形シフトをモデル化できないこと、そして既存のフレームワークがオンラインデプロイメント中に失敗する原因となっている。
頑健なドメイン不変位置認識を実現するために,解析クラスインクリメンタルラーニング(ACIL)をドメイン不変VPRに初めてブリッジし,その勾配のない行列更新によって,従来の微調整よりも優れた驚くほど強力なベースラインを構築することを明らかにした。
それにもかかわらず、標準のACILは、その構造的線形仮定のために極端に非線形な熱ゆらぎに致命的な脆弱性を示す。
この制限を克服するために、ACILと現代の制御理論の間の新しい代数的等価性を利用して、アンセント・伝搬(U-ACIL)、ガウス混合分割(GMM-ACIL)、およびミニマックス$H_\infty$最適化(H_\infty$-ACIL)を直接更新ループに組み込むフレームワークを提案する。
我々の定式化は、$\mathcal{O}(1)$の計算複雑性内で正確なクローズドフォーム行列の更新を保証し、オンライン更新レイテンシ(Δt_{\mathrm{learn}}$)がセンサー取得間隔(Δt_{\mathrm{acquire}}$)以下で厳密に拘束されていることを保証するために、バックプロパゲーションをバイパスすることで、リアルタイムSLAMパイプラインにおける軌道ジャンプを排除します。
関連論文リスト
- SLAM: Structured and Localized Analytic Manifold Adaptation for Lifelong VPR [0.6882042556551609]
本稿では,構造的および局所的解析的マニフォールド適応フレームワークSLAMを提案する。
我々のフレームワークは、ガウス混合モデル(GMM)による位相空間分割による不確実性認識の平滑化を統一する。
排他的アブレーション研究は、不確実性平滑化と局所写像の相乗的組み合わせが27.5%の最先端の精度を実現する一方で、$H_infty$境界の完全な展開はアーキテクチャ的な分割を必要としないことを示した。
論文 参考訳（メタデータ） (2026-07-06T07:57:26Z) - Adaptive Iterative Hard Thresholding for Online High-dimensional Quantile Regression [1.0067421338825542]
本稿では,段階的な更新を適応的にスケジュールされたハードスレッディングステップに置き換えるオンラインスパース回帰フレームワークを提案する。
我々は高次元オンライン量子レグレッションの理論を開発する。
論文 参考訳（メタデータ） (2026-06-26T23:44:10Z) - History-aware adaptive reduced-order models via incremental singular value decomposition [8.494937868949643]
インクリメンタル特異値分解(iSVD)に基づくプロジェクションベースの適応ROMフレームワークを開発する。
本研究では, 1次元バーガース方程式, ソッド衝撃管, 硬い1次元回転デトネーションエンジン(RDE)の3つの非線形問題について検討する。
論文 参考訳（メタデータ） (2026-05-27T16:15:11Z) - Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-21T16:45:31Z) - MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。
ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
論文 参考訳（メタデータ） (2026-05-18T01:52:12Z) - Learn Structure, Adapt on the Fly: Multi-Scale Residual Learning and Online Adaptation for Aerial Manipulators [2.376629619475859]
自律型空中マニピュレータ(AAM)は本質的に非定常・多スケール残留力学を示す非線形系である。
本稿では,AAMにおけるリアルタイム残差モデリングと補償のための予測適応フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-12T08:02:43Z) - MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。
MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。
このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
論文 参考訳（メタデータ） (2026-02-14T14:00:06Z) - ARTIS: Agentic Risk-Aware Test-Time Scaling via Iterative Simulation [72.78362530982109]
ARTIS(Agenic Risk-Aware Test-Time Scaling via Iterative Simulation)は、コミットメントから探索を分離するフレームワークである。
LLMをベースとした簡易シミュレータは, 希少かつ高インパクトな障害モードの捕捉に苦慮していることを示す。
本稿では,障害発生行動の忠実度を強調するリスク認識ツールシミュレータを提案する。
論文 参考訳（メタデータ） (2026-02-02T06:33:22Z) - oRANS: Online optimisation of RANS machine learning models with embedded DNS data generation [0.0]
従来のオフラインパラダイムで訓練されたクロージャは、過度に適合し、新しい体制に一般化できない傾向にある。
DLベースのNavier-Stokes(RANS)クロージャに対するオンライン最適化フレームワークを導入する。
論文 参考訳（メタデータ） (2025-10-03T13:19:01Z) - EntroPE: Entropy-Guided Dynamic Patch Encoder for Time Series Forecasting [50.794700596484894]
IntroPE(Entropy-Guided Dynamic Patch)は,条件付きエントロピーによる遷移点を動的に検出する新しい時間情報フレームワークである。
これは、パッチの計算上の利点を維持しながら、時間構造を保存する。
長期予測ベンチマークによる実験では、EntroPEは精度と効率の両方を改善している。
論文 参考訳（メタデータ） (2025-09-30T12:09:56Z) - Towards Continual Learning Desiderata via HSIC-Bottleneck
Orthogonalization and Equiangular Embedding [55.107555305760954]
本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。
提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
論文 参考訳（メタデータ） (2024-01-17T09:01:29Z)
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。