論文の概要: LBDU-VIO: Learned Bias Dynamics and Uncertainty for Visual-Inertial Odometry with Unreliable Vision

• arxiv url: http://arxiv.org/abs/2609.39125v1
• Date: Wed, 30 Sep 2026 06:57:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.302052
• Title: LBDU-VIO: Learned Bias Dynamics and Uncertainty for Visual-Inertial Odometry with Unreliable Vision
• Title（参考訳）: LBDU-VIO:信頼できない視力を持つ視覚慣性オドメトリーのための学習バイアスダイナミクスと不確かさ
• Abstract要約: 空飛ぶロボットの視覚慣性計測は、視覚的更新間の高速慣性計測ユニット(IMU)の伝搬に依存している。 学習時間バイアスダイナミクスとIMU不確実性モデルを備えた学習強化MSCKFであるLBDU-VIOを提案する。 実世界のEuRoCとTUM-VIベンチマークの実験は、視覚慣性ベースラインよりも低い誤差を示している。
• 参考スコア（独自算出の注目度）: 1.5049442691806052
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual-inertial odometry (VIO) for aerial robots relies on high rate inertial measurement unit (IMU) propagation between visual updates. However, conventional multi state constraint Kalman filters (MSCKFs) use random walk bias assumptions and fixed noise parameters, which can limit robustness when visual information is unreliable. To address this problem, we propose LBDU-VIO, a learning-augmented MSCKF with learned continuous time bias dynamics and an IMU uncertainty model. A neural ordinary differential equation (ODE) models continuous time bias dynamics to propagate the filter's bias states, replacing their random walk model. The IMU uncertainty model predicts motion adaptive measurement noise covariances for covariance propagation. Both models are trained with pose supervision without direct labels. Experiments on real world EuRoC and TUM-VI benchmarks show lower errors than representative visual-inertial baselines, including a 25.1% reduction in mean relative position error compared with S-MSCKF on EuRoC sequences with 10s visual outage.
• Abstract（参考訳）: 空飛ぶロボットの視覚慣性オドメトリー(VIO)は、視覚更新間の高速慣性計測ユニット(IMU)伝搬に依存している。 しかし、従来のマルチ状態制約カルマンフィルタ(MSCKF)はランダムウォークバイアス仮定と固定ノイズパラメータを用いており、視覚情報が信頼できない場合のロバスト性を制限することができる。 この問題に対処するために,学習継続時間バイアスダイナミクスとIMU不確実性モデルを備えた学習強化MSCKFであるLBDU-VIOを提案する。 ニューラル常微分方程式(ODE)は、連続時間バイアスダイナミクスをモデル化し、フィルタのバイアス状態を伝播し、ランダムウォークモデルを置き換える。 IMU不確実性モデルは、共分散伝搬のための運動適応計測ノイズ共分散を予測する。 どちらのモデルも、直接ラベルなしでポーズ監視で訓練されている。 実世界のEuRoCとTUM-VIベンチマークの実験では、平均相対的位置誤差が25.1%減少し、EuRoCのS-MSCKFが10秒の視覚障害となるなど、視覚慣性ベースラインよりも低い誤差を示した。

関連論文リスト

• Equivariant Filter Design for Acoustic and Depth Aided Inertial Navigation Systems [11.059507113033265]
  Lieグループにナビゲーション状態を設定することで、精度と一貫性が向上する。 最先端フィルタは、慣性測定ユニット(IMU)バイアスをユークリッド拡張として付加する。 このシステムに対して等価フィルタ(EqF)を導出し,ナビゲーション状態の線形化誤差をゼロにし,バイアスのみを2次誤差とする。
  論文  参考訳（メタデータ） (2026-09-17T06:09:08Z)
• Contrast to Detect: Dynamic Graph Contrastive Regularization for Unsupervised Anomaly Detection in Multivariate Time Series [24.192601578775186]
  構造進化を抑圧するのではなく,学習信号に変換する,教師なしのフレームワークであるContrastADを提案する。 5つの実世界のベンチマークで、ContrastADは3つのデータセットでF1の平均値とAUCの最高値に達した。
  論文  参考訳（メタデータ） (2026-05-22T15:18:53Z)
• Uniform Diffusion Models Revisited: Leave-One-Out Denoiser and Absorbing State Reformulation [72.05592785529404]
  UDMの標準プラグインブリッジパラメタライゼーションは,後側頭蓋に最適化されないことを示す。 また,UDM関節法をマスク拡散様サンプリング操作に分解して保存する均一拡散の吸収状態再構成も導入した。
  論文  参考訳（メタデータ） (2026-05-21T17:27:19Z)
• Learning Uncertainty from Sequential Internal Dispersion in Large Language Models [52.29267172760918]
  不確実性推定は、大規模言語モデルにおける幻覚を検出するための有望なアプローチである。 最近の手法は一般に不確実性を推定するために内部状態のモデルに依存する。 本稿では,教師付き幻覚検出フレームワークであるシークエンシャル内部変数表現(SIVR)を提案する。
  論文  参考訳（メタデータ） (2026-04-17T06:31:29Z)
• Steering and Rectifying Latent Representation Manifolds in Frozen Multi-modal LLMs for Video Anomaly Detection [52.5174167737992]
  ビデオ異常検出(VAD)は、ビデオ内の異常事象を特定することを目的としている。 本稿では,MLLMに基づくVADを受動的に読み上げから内部表現を積極的に操り,修正するSteerVADを提案する。 本手法は、トレーニングデータの1%しか必要としないチューニングフリーアプローチにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-02-27T13:48:50Z)
• Same Answer, Different Representations: Hidden instability in VLMs [65.36933543377346]
  本稿では,内部埋め込みドリフト,スペクトル感度,構造的滑らかさを計測する表現認識・周波数認識評価フレームワークを提案する。 このフレームワークを,SEEDBench,MMMU,POPEデータセットを対象とする最新のビジョン言語モデル(VLM)に適用する。
  論文  参考訳（メタデータ） (2026-02-06T12:24:26Z)
• Leveraging Learning Bias for Noisy Anomaly Detection [19.23861148116995]
  本稿では、フル教師なし画像異常検出(FUIAD)の課題に対処する。 従来の方法では、異常のないトレーニングデータを仮定するが、実世界の汚染により、モデルは通常通り異常を吸収する。 モデルに固有の学習バイアスを利用する2段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-10T17:47:21Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• A Plug-and-Play Learning-based IMU Bias Factor for Robust Visual-Inertial Odometry [27.62788405443008]
  Inertial Prior Network (IPNet) を利用した新しいプラグアンドプレイモジュールを提案する。 IPNetは、特定のプラットフォームの動作特性を暗黙的にキャプチャすることで、IMUバイアスを推論する。 本研究では、まず、スライドウインドウアプローチを用いて生のIMUデータのみを用いてバイアスを直接推測する。
  論文  参考訳（メタデータ） (2025-03-16T14:45:19Z)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)

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。