Fugu-MT 論文翻訳(概要): Human-in-the-Loop Neuro-Symbolic Drift Anticipation for Reliable Visual SLAM

論文の概要: Human-in-the-Loop Neuro-Symbolic Drift Anticipation for Reliable Visual SLAM

arxiv url: http://arxiv.org/abs/2610.05757v1
Date: Mon, 05 Oct 2026 04:06:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-10 04:34:56.509293
Title: Human-in-the-Loop Neuro-Symbolic Drift Anticipation for Reliable Visual SLAM
Title（参考訳）: 信頼性のある視覚SLAMのための人間のループ型神経-心室ドリフト予測
Abstract要約: ハイブリッドDeepSEE(HDS)は視覚SLAM(V-SLAM)におけるプロアクティブドリフト予測のためのニューロシンボリックフレームワークである大規模言語モデル(LLM)を推論ブリッジとして利用することにより、定性的な人間のコンテキストを解釈可能なシンボリック制約に変換する。
参考スコア（独自算出の注目度）: 0.9883261192383612
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper introduces Hybrid DeepSEE (HDS), a Human-in-the-Loop (HITL) neuro-symbolic framework for proactive drift anticipation in Visual SLAM (V-SLAM). While data-driven models offer predictive power, their "black-box" nature often yields physically inconsistent outputs in out-of-distribution (OOD) environments. To address this, HDS integrates neural drift risk estimation with symbolic constraint reasoning. By utilizing a Large Language Model (LLM) as a reasoning bridge, the framework translates qualitative human context into interpretable symbolic constraints. Building upon this architecture, we propose a superior drift anticipation framework that ensures enhanced reliability and consistency in Visual SLAM
Abstract（参考訳）: 本稿では,視覚SLAM(V-SLAM)におけるプロアクティブドリフト予測のためのHuman-in-the-Loop(HITL)ニューラルシンボリックフレームワークであるHybrid DeepSEE(HDS)を紹介する。データ駆動モデルは予測能力を提供するが、その「ブラックボックス」の性質はしばしば、アウト・オブ・ディストリビューション(OOD)環境で物理的に矛盾した出力をもたらす。これを解決するため、HDSはシンボリック制約推論とニューラルドリフトリスク推定を統合している。大規模言語モデル(LLM)を推論ブリッジとして利用することにより、定性的な人間のコンテキストを解釈可能なシンボリック制約に変換する。このアーキテクチャを基盤として,Visual SLAMの信頼性と一貫性を向上する優れたドリフト予測フレームワークを提案する。

関連論文リスト

Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
遅延不一致による冗長性を除去する学習自由フレームワークを提案する。 LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
論文参考訳（メタデータ） (2026-05-29T19:34:39Z)
OMNIFLOW: A Physics-Grounded Multimodal Agent for Generalized Scientific Reasoning [51.33849811496781]
大規模言語モデル (LLM) は例外的な論理的推論能力を示しているが、部分微分方程式 (PDE) による連続力学としばしば競合する。 OMNIFLOWは, 領域固有のパラメータ更新を必要とせず, 基本物理法則で凍結LDMを基底として設計したマルチモーダルシンボリックアーキテクチャである。我々は, 微視的乱流, 理論的ナビエ・ストークス, マクロ的世界天気予報のベンチマークでこれを評価した。
論文参考訳（メタデータ） (2026-03-16T18:29:01Z)
PhyNiKCE: A Neurosymbolic Agentic Framework for Autonomous Computational Fluid Dynamics [0.0]
この研究は、信頼できるエンジニアリングのためのニューロシンボリック・エージェント・フレームワークであるPhyNiKCEを紹介している。標準的なブラックボックスエージェントとは異なり、PhyNiKCEはシンボリック検証からニューラルプランニングを分離する。このアーキテクチャは、幅広い産業自動化において、信頼できる人工知能のためのスケーラブルで監査可能なパラダイムを提供する。
論文参考訳（メタデータ） (2026-02-12T07:37:56Z)
Floating-Body Hydrodynamic Neural Networks [8.501171043928354]
本研究では, 方向付加質量, ドラッグ係数, 流路関数に基づく流れなどの解釈可能なパラメータを予測し, 解析的な運動方程式と結合する物理構造フレームワークを提案する。ハミルトンニューラルネットワークやラグランジアンニューラルネットワークと比較して、FHNNは、ブラックボックス学習と透明システム識別のギャップを埋める解釈可能性を維持しながら、散逸ダイナミクスをより効果的に扱う。
論文参考訳（メタデータ） (2025-09-17T07:51:35Z)
Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
論文参考訳（メタデータ） (2025-07-15T17:57:48Z)
Neurosymbolic AI for Travel Demand Prediction: Integrating Decision Tree Rules into Neural Networks [21.445133878049333]
本研究では、決定木(DT)に基づくシンボルルールとニューラルネットワーク(NN)を統合し、旅行需要を予測するニューロシンボリック人工知能(Neurosymbolic AI)フレームワークを提案する。
論文参考訳（メタデータ） (2025-02-02T05:10:31Z)
RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文参考訳（メタデータ） (2023-12-12T06:21:30Z)
A Novel Neural-symbolic System under Statistical Relational Learning [47.30190559449236]
NSF-SRLと呼ばれる統計的関係学習に基づくニューラルシンボリック・フレームワークを提案する。シンボリック推論の結果は、深層学習モデルによる予測の洗練と修正に利用され、深層学習モデルはシンボリック推論プロセスの効率を高める。我々は、このアプローチがニューラルシンボリックシステムの新しい標準となり、汎用人工知能の分野における将来の研究を促進すると信じている。
論文参考訳（メタデータ） (2023-09-16T09:15:37Z)
Unleashing the Potential of Spiking Neural Networks for Sequential Modeling with Contextual Embedding [32.25788551849627]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、長期的な時間的関係をモデル化する上で、生物学的に競合するものと一致しようと苦労してきた。本稿では,新しい文脈埋め込みLeaky Integrate-and-Fire(CE-LIF)スパイキングニューロンモデルを提案する。
論文参考訳（メタデータ） (2023-08-29T09:33:10Z)
Standalone Neural ODEs with Sensitivity Analysis [5.565364597145569]
本稿では,完全深部ニューラルネットワークを記述可能な連続深部ニューラルネットワークモデルを提案する。神経感受性問題の一般的な定式化を行い,NCGトレーニングでどのように使用されるかを示す。我々の新しい定式化がResNetモデルと比較してロバスト性や性能の向上につながることを示す。
論文参考訳（メタデータ） (2022-05-27T12:16:53Z)
Neural Networks with Recurrent Generative Feedback [61.90658210112138]
畳み込みニューラルネットワーク(CNN)でこの設計をインスタンス化する実験では、標準ベンチマーク上の従来のフィードフォワードCNNに対して、CNN-Fは敵のロバスト性を大幅に改善した。
論文参考訳（メタデータ） (2020-07-17T19:32:48Z)

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。