論文の概要: Learning Wheel Motion Uncertainty for Degeneracy-Aware LiDAR-Inertial Odometry on Quadrupedal Wheel-Legged Robots

• arxiv url: http://arxiv.org/abs/2610.26550v1
• Date: Mon, 19 Oct 2026 15:12:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 02:41:43.877615
• Title: Learning Wheel Motion Uncertainty for Degeneracy-Aware LiDAR-Inertial Odometry on Quadrupedal Wheel-Legged Robots
• Title（参考訳）: 四足歩行ロボットの先進性を考慮したLiDAR慣性オドメトリーのための車輪運動不確かさの学習
• Abstract要約: スリップ・アンド・コンタクト・ロスはローリング予測を信頼できないものにする。 密結合型LiDAR慣性波動計測フレームワークを提案する。 幾何的および車輪運動の困難な条件下で頑健なオドメトリーを実証する。
• 参考スコア（独自算出の注目度）: 4.4749879494851195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wheel kinematics can support odometry for quadrupedal wheel-legged robots when LiDAR geometry provides weak motion constraints. However, slip and contact loss make rolling predictions unreliable, and contact state alone cannot determine their reliability across motion directions. We propose a tightly coupled LiDAR-inertial-kinematic odometry framework that retains analytical rolling predictions and learns per-wheel, direction-dependent process covariances from proprioceptive history. The estimator maintains moving wheel-center states, allowing the learned uncertainty to regulate the influence of rolling predictions through forward-kinematic corrections. Degeneracy-aware projection (DAP) complements this mechanism by suppressing LiDAR constraints along geometrically weak directions. The learned covariance network (CovNet) is trained through a differentiable filter using simulated velocity supervision and deployed on the real robot without fine-tuning. On the six room sequences with the highest degeneracy ratios in our indoor dataset, the method reduces mean per-sequence position root mean square error (RMSE) by 66.2% relative to FAST-LIO2 and by 31.0% relative to a fixed-covariance variant. In a severely degenerate corridor run, it achieves an endpoint position error of 0.198 m, compared with 7.531 m for FAST-LIO2. These results demonstrate robust odometry under challenging geometric and wheel-motion conditions. We plan to publicly release our code and multimodal dataset. Project website: https://weihairuo.github.io/wheel-motion-uncertainty/
• Abstract（参考訳）: 車輪キネマティクスは、LiDAR幾何が弱い動き制約を与えるとき、四足歩行ロボットのオドメトリをサポートすることができる。 しかし、すべりと接触損失は転がりの予測を信頼性が無くし、接触状態だけでは動き方向の信頼性を判断できない。 解析的転がり予測を保ち, 回転方向に依存したプロセス共分散を固有履歴から学習する, 密結合型LiDAR慣性波動オドメトリーフレームワークを提案する。 推定器は移動車輪中心の状態を維持しており、学習された不確実性は前方運動補正によって転がり予測の影響を規制することができる。 デジェネリアシー・アウェア・プロジェクション(DAP)は、幾何学的に弱い方向に沿ってLiDAR制約を抑えることで、このメカニズムを補完する。 学習された共分散ネットワーク(CovNet)は、シミュレーションされた速度監視を用いて微分可能なフィルタを用いて訓練され、微調整なしで実際のロボットに展開される。 本手法は, 室内データセットにおいて最大縮退率の6つの部屋列において, FAST-LIO2に対して平均1列当たり根平均平方誤差(RMSE)を66.2%, 固定共分散変種に対して31.0%低減する。 FAST-LIO2では7.531mに対して、高度に縮退した回廊走行では0.198mの終点位置誤差を達成している。 これらの結果は, 挑戦的な幾何学的および車輪運動条件下での頑健なオドメトリーを示す。 コードとマルチモーダルデータセットを公開する予定です。 プロジェクトウェブサイト:https://weihairuo.github.io/wheel-motion-uncertainty/

関連論文リスト

• ToF-Wheel Odometry: Navigating Degeneration of Localization With Limited Sensing Capabilities [12.3760529125697]
  ToF-Wheel Odometry (TWO)は、ホイールキネマティクスと、Time-of-Flight (ToF)カメラの幾何学的制約を統合している。 TWOは静的および適応ガウスフィルタと比較して軌道精度とロバスト性を改善する。
  論文  参考訳（メタデータ） (2026-10-10T05:16:10Z)
• 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)
• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
  本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。 $mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。 大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
  論文  参考訳（メタデータ） (2025-11-16T20:14:28Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Rotation Control Unlearning: Quantifying and Controlling Continuous Unlearning for LLM with The Cognitive Rotation Space [66.51378598755933]
  本研究では,学習継続過程における学習度を定量化し,制御する,回転制御アンラーニング(RCU)と呼ばれる新しい手法を提案する。 歪対称損失は、回転角の変化が連続的未学習過程をシミュレートできる認知回転空間の存在を構築するように設計されている。 複数のデータセットに対する実験により、保持されたデータセットを持たないメソッドがSOTA性能を達成することを確認した。
  論文  参考訳（メタデータ） (2025-09-30T03:59:29Z)
• Tightly-Coupled LiDAR-IMU-Wheel Odometry with Online Calibration of a Kinematic Model for Skid-Steering Robots [18.94074811198885]
  トンネルと長い廊下は、これらの環境でLiDARポイントクラウドが縮退するので、移動ロボットにとって困難な環境である。 本研究では,スキッドステアリングロボットのオンラインキャリブレーションを用いた,密結合型LiDAR-IMUホイールオドメトリーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-03T07:07:29Z)
• 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)
• Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
  この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。 コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。 その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
  論文  参考訳（メタデータ） (2021-01-26T16:01:02Z)

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。