論文の概要: SSIO: Self-Supervised Inertial Odometry

• arxiv url: http://arxiv.org/abs/2610.25988v2
• Date: Wed, 21 Oct 2026 07:24:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.0458
• Title: SSIO: Self-Supervised Inertial Odometry
• Title（参考訳）: SSIO:自己監督型慣性オドメトリー
• Abstract要約: そこで本研究では,IMUを単体窓上で独立に統合した筋電図教師によって,慣性音韻モデルがゼロから訓練可能であることを示す。 短時間の風速変化のみによって教師されるが、生徒は直接速度を予測することを学び、統合教師よりも正確に行う。
• 参考スコア（独自算出の注目度）: 56.68873211346449
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning inertial odometry for a new platform usually requires ground-truth trajectories. We show that an inertial odometry model can instead be trained from scratch by a myopic teacher that integrates the IMU over each short window independently, a scheme we call integration self-supervision. Interestingly, although supervised only by short-window velocity changes, the student learns to directly predict velocity, and does so more accurately than its integration teacher. Pose graph distillation then refines the model with sequence-consistent targets from a pose graph over many windows. Training on a new platform therefore no longer requires collecting ground-truth trajectories, but only calibrating the IMU and recording data during normal operation. Across six datasets spanning pedestrians, drones, quadrupeds, and a humanoid, the same recipe with no velocity or position labels trains models that come within 0.07~m/s average velocity error of a same-architecture supervised baseline.
• Abstract（参考訳）: 新しいプラットフォームのための慣性オドメトリーを学ぶには、通常、地平線軌跡を必要とする。 そこで本研究では,IMUを個々の短期窓上で独立に統合するミオピック教師によって,一から慣性オドメトリーモデルを訓練することができることを示す。 興味深いことに、学生は短時間の風速変化によってのみ監督されるが、速度を直接予測することを学び、統合教師よりも正確に行う。 ポースグラフ蒸留は、多くのウィンドウ上のポーズグラフからシーケンス一貫性のあるターゲットでモデルを洗練する。 そのため、新たなプラットフォームでのトレーニングでは、地上軌道の収集は必要なくなり、IMUの校正と通常の運用時のデータ記録のみが必要になった。 歩行者、ドローン、四足歩行、ヒューマノイドにまたがる6つのデータセットは、速度や位置ラベルのない同じレシピで、同じ構造を監督するベースラインの平均速度誤差0.07〜m以内のモデルを訓練する。

関連論文リスト

• Glance Forcing: Making Bidirectional Diffusion Autoregressive at a Glance [31.942575477909344]
  Glance Forcingは、2つの相補的な専門家に認知軌道を分解する軽量蒸留フレームワークである。 1つのPF-ODE軌道のみを使用して、ガンス・フォースは、既に完全に訓練された最先端のベースラインを超え、VBenchトータルスコアは84.04から84.22に上昇した。
  論文  参考訳（メタデータ） (2026-10-14T13:58:17Z)
• Simplifying and Improving On-Policy Distillation for Few-Step Diffusion [60.45650436067934]
  少ない段階の蒸留は拡散・流動モデルのサンプリングコストを低減させるが、既存の手法では補助的なスコアモデルや特殊なアーキテクチャを必要とすることが多い。 4-NFE生成の基盤として, 簡易なオン・ポリティクス速度回帰法がすでに有効であることを示す。 本稿では,学習者の区間平均予測から局所的な補正を分離する訓練専用残差プロキシであるPivotを紹介する。
  論文  参考訳（メタデータ） (2026-10-13T14:35:46Z)
• JtT: Rethinking Point Trajectory Diffusion for Diverse and Rigid Motion from an Image [67.09340259579761]
  単体画像からの剛体運動の予測について検討した。 我々のモデルであるJtTは座標空間で直接動作する単純な拡散変換器である。 モデルランキングは,モデルのサイズ,メートル法,停止時間にどのように依存するかを示し,より厳密なチェックポイント平均評価プロトコルを採用する。
  論文  参考訳（メタデータ） (2026-10-12T11:13:37Z)
• GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed [71.05944634852158]
  GroundAnythingはブロックワイズによる正確なローカライゼーションで高速並列デコーディングを再構成する。 30のグラウンドベンチマークで、私たちの自己回帰型であるGroundAnything-VLMは、この技術の新たな全体的な状態を確立します。 エントロピー誘導復号法により、GroundAnythingは、この規模の芸術の先行状態を超越している。
  論文  参考訳（メタデータ） (2026-09-30T12:20:51Z)
• DINS-IO: Learned Inertial Odometry via Differentiable INS Consistency [10.120588097901377]
  位置ラベルなしで生のIMUストリームから直接慣性オドメトリーを学習するDINS-IOを提案する。 我々は、この制約を、世界共通のバイアスを持つスライドウインドウの最小二乗問題として、閉形式で解き、自己監督的損失として解法残差を用いる。 自己教師ネットワークは、一貫した動きを学習するが、その速度はまだメートル法的に校正されていないため、いくつかのラベル付き軌道から真のメートル法速度に校正する。
  論文  参考訳（メタデータ） (2026-07-22T14:52:28Z)
• OrthoTrack: Continuous 6-DoF UAV Trajectory Estimation Anchored in Public Orthophotos [76.81099730054356]
  トレーニング不要なOrthoTrackを提案する。このシステムは6-DoFトラジェクトリの連続を,事前の地図として利用可能なオプティカルフォトとサーフェスモデルのみを用いて推定する。 movingDroneと現実世界のベンチマークでは、OrthoTrackは1つのGPUでリアルタイムに実行される。オラクルのスケールとアライメントを受ける場合でも、すべてのベースラインを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2026-06-24T00:05:01Z)
• AI-IO: An Aerodynamics-Inspired Real-Time Inertial Odometry for Quadrotors [7.235882639523209]
  慣性オドメトリー(IO)は、慣性測定単位(IMU)のみに依存するため、四重項応用において注目を集めている。 本研究では,慣性オドメトリー学習問題に対して,異なる視点からアプローチする。 ロータ速度測定を取り入れることで,速度予測精度を36.9%向上する。
  論文  参考訳（メタデータ） (2026-02-28T11:17:09Z)
• 3DMOTFormer: Graph Transformer for Online 3D Multi-Object Tracking [15.330384668966806]
  最先端の3Dマルチオブジェクト追跡(MOT)アプローチは通常、Kalman Filterのような非学習モデルベースのアルゴリズムに依存している。 本稿では3DMOTFormerを提案する。この3D MOTフレームワークはトランスフォーマーアーキテクチャをベースに構築されている。 提案手法は, nuScenesバリデーションとテストスプリットでそれぞれ71.2%, AMOTA68.2%を達成している。
  論文  参考訳（メタデータ） (2023-08-12T19:19:58Z)

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。