論文の概要: CoHelix: Event-Based Multi-Propeller Rotation-Rate Tracking with Shared Projective Geometry
- arxiv url: http://arxiv.org/abs/2610.31384v1
- Date: Thu, 22 Oct 2026 14:52:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.414712
- Title: CoHelix: Event-Based Multi-Propeller Rotation-Rate Tracking with Shared Projective Geometry
- Title（参考訳）: CoHelix:共有射影幾何学を用いたイベントベースマルチプロペラ回転率追跡
- Abstract要約: 回転するイベントカメラからプロペラ速度を推定するには、変化する画像形状からブレード回転を分離する必要がある。
本研究では,コプラナープロペラを固定した4本のコプラナープロペラに対して,1本の共有ホモグラフィと別々の回転状態を推定するフィルタCoHelixを提案する。
- 参考スコア（独自算出の注目度）: 0.1791238638701882
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating propeller rates from a moving event camera requires separating blade rotation from the changing image geometry. Background activity mixes with blade events, while repeated blade appearances admit half- and double-rate ambiguities. We propose CoHelix, a recursive filter that estimates one shared homography and separate rotation states for four rigidly mounted, coplanar propellers. Each admitted event updates its assigned rotation state, and its accepted geometry measurements correct the shared homography used to interpret later events from every propeller. We report lock, the fraction of evaluated time for which an estimate remains within 2% of synchronized ground truth, because mean error alone does not show how long a tracker follows the true rate. With fixed-rate initialization, leave-one-recording-out evaluation on moving-camera data gives CoHelix 62.9% lock, compared with 39.8% for HelixTrack and 22.2% for EventPro. With other settings fixed, allowing four geometry contributors instead of one raises lock from 3.4% to 62.9%. On a private target-follower dataset with a different target quadcopter, CoHelix retains the measurement settings selected on moving-camera data and uses a fixed initial rate. It reaches 95.9% lock, compared with 56.2% for HelixTrack and 61.1% for EventPro.
- Abstract（参考訳）: 回転するイベントカメラからプロペラ速度を推定するには、変化する画像形状からブレード回転を分離する必要がある。
背景活動はブレードイベントと混在し、繰り返しのブレードの出現はハーフレートとダブルレートの曖昧さを許容する。
本研究では,コプラナープロペラを固定した4基のコプラナープロペラに対して,共有ホモグラフィと回転状態の分離を推定する再帰的フィルタCoHelixを提案する。
それぞれのイベントが割り当てられた回転状態を更新し、その幾何測定によって各プロペラの後の出来事を解釈するために使用される共有ホモグラフィーが修正される。
平均誤差だけでは、トラッカーが真の速度にどれくらいの時間で従うかは示さないので、推定が同期された基底の真理の2%以内に留まる評価時間の割合であるロックを報告します。
固定レートの初期化では、移動カメラデータに対する残響評価により、CoHelix 62.9%がロックされ、HelixTrackは39.8%、EventProは22.2%がロックされている。
他の設定が修正され、4つの幾何学コントリビュータが1つの代わりにロックを3.4%から62.9%に上げることができる。
異なるターゲットクアッドコプターを持つプライベートターゲットフォロワデータセットでは、CoHelixは移動カメラデータに基づいて選択された測定設定を保持し、固定された初期レートを使用する。
HelixTrackは56.2%、EventProは61.1%である。
関連論文リスト
- ARC-SORT: Adaptive, Robust, Compensated Multi-Object Tracking with Interacting Multiple Models [0.0]
ARC-SORTは、何も訓練せず、リアルタイムで走るトラッキング・バイ・検出・トラッカーである。
その設計規則: トラッカーは自身の不確実性を計測し、その測定がどのように振る舞うかを決定する。
ARC-SORTはSportsMOTテストセットで81.82HOTAに達する。
論文 参考訳（メタデータ） (2026-10-15T17:49:09Z) - OmniCam: Omni-Camera Trajectory Generation via Geometry-Grounded Pose Token Learning [59.50976927168127]
我々は,1つのパノラマとテキストの軌跡記述からカメラポーズ列を生成する自動回帰モデルであるOmniCamを紹介する。
報告されたOmniCaTの評価では、OmniCamは軌道誤差を28～47%減らし、衝突速度を65.8%減らした。
論文 参考訳（メタデータ） (2026-10-07T06:08:28Z) - When Does Geometric View Synthesis Help Wine Label Retrieval? A Public One-Shot Benchmark Across Self-Supervised and Vision-Language Backbones [0.0]
幾何学的ビュー合成は、単一のワインラベル写真をトレーニングセットに拡張することができるが、事前訓練された画像エンコーダでの価値は不明確である。
そこで本研究では,1000クラスのWineSensedをベースとした公開ベンチマーク,1クラスあたりの登録写真,4,295のリアルタイムクエリについて検討する。
初期のDINO視覚変換器(ViT-S/16)のレシピでは、幾何学的ビューはトップ-1の精度を34.1%から62.6-63.7%に上げ、2次元(2D)拡張の3倍に向上した。
論文 参考訳（メタデータ） (2026-09-27T08:31:19Z) - Shared Execution-Clock Drifting Policy for Dynamic Precision Manipulation [2.44955840609554]
実行リズムは、ロボットが期限前に一連の調整を完了しなければならない場合に重要である。
本稿では、実行リズムを1ステップのアクション生成の明示的な部分とする共有実行クロックドリフト(SECD)を提案する。
NVIDIA Thor を用いた 4 つの実ロボットタスクを対象としたSECD の評価を行った。
論文 参考訳（メタデータ） (2026-09-20T02:42:31Z) - VideoReloc: Long-Term Indoor Video Relocalization against a Kilobyte-Scale Semantic Scene Graph [50.42050161026878]
長時間の屋内ビデオ再配置は、照明や家具の変更後の地図フレームの軌跡を推定する。
ビジュアルメソッドは外観に依存し、これらの変更によって信頼性が低下する。
適応的なビデオクリップは、物体と動きの基準が満たされるまで、空間的証拠を集めるためにオドメトリーを使用する。
論文 参考訳（メタデータ） (2026-09-18T14:16:41Z) - When Does Trace-Driven Evaluation Mislead MoE Expert Caching? Replay Semantics, Workload Contamination, and Operating Regimes [3.471896896439183]
Mixture-of-Experts (MoE)モデルはアクセラレーターメモリをはるかに上回っている。
ヒット率を上げた政策は、トークン当たりの専門家のトラフィックを減らした。
我々は、数だけでなく結論を変える3つの評価軸を評価する。
論文 参考訳（メタデータ） (2026-08-08T04:29:20Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - TraceGraph: Shared Decision Landscapes for Diagnosing and Improving Agent Trajectories [61.51984029109709]
グラフベースのフレームワークであるTraceGraphを紹介した。
各タスクに対して、TraceGraphは、モデルIDが導入される前に、プールされたロールアウトから観測可能なアクション・オブザーブレーション状態のグラフを構築する。
次に、結果インフォームされた生産的なコアとトラップリージョンをオーバーレイし、各ロールアウトを3つのイベント – アクセス、トラップ露出、修復 – で要約する。
論文 参考訳（メタデータ） (2026-05-29T13:40:31Z) - ARGOS: Who, Where, and When in Agentic Multi-Camera Person Search [49.61286310968402]
我々は,対話型推論問題として,マルチカメラの人物探索を再構成する最初のベンチマークとフレームワークであるARGOSを紹介する。
ARGOSエージェントはあいまいな目撃声明を受け取り、何を尋ねるか、いつ空間的または時間的ツールを呼び出すか、不明瞭な応答をどう解釈するかを判断しなければならない。
このベンチマークは、意味的知覚(Who)、空間的推論(Where)、時間的推論(When)の3つのプログレッシブトラックにおいて、14の現実世界シナリオにまたがる2,691のタスクからなる。
論文 参考訳（メタデータ） (2026-04-14T14:06:19Z) - HelixTrack: Event-Based Tracking and RPM Estimation of Propeller-like Objects [14.491299219458332]
プロペラのようなオブジェクトを共同で追跡し、毎分その回転を推定するイベント駆動方式。
13の高分解能イベントシーケンスを持つEgomotionデータセットを備えたタイムスタンプクアッドコプター。
HelixTrackは、リアルタイムとマイクロ秒のレイテンシよりも高速にフルレートイベントを処理する。
論文 参考訳（メタデータ） (2026-03-10T06:12:26Z)
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。