論文の概要: Monte Carlo-Based Indoor UAV Localization in Dynamic Environments Using Only Four Onboard Range Sensors
- arxiv url: http://arxiv.org/abs/2610.32645v1
- Date: Fri, 23 Oct 2026 13:54:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.535928
- Title: Monte Carlo-Based Indoor UAV Localization in Dynamic Environments Using Only Four Onboard Range Sensors
- Title（参考訳）: モンテカルロをベースとした4基オンボード距離センサを用いた動的環境における室内UAV位置推定
- Abstract要約: 単点距離センサと測定方向センサのみを用いた2次元局所化のための拡張フィルタモンテカルロ局所化(AF-MCL)を提案する。
AF-MCLは、既知の静的マップと矛盾する範囲の測定を拒絶し、粒子を適応的に注入して、局所化のばらつきや誘拐から回復する。
実験により、動的障害物下でのロバストな屋内位置決めは、4つの単一点距離測定と方向測定で達成可能であることが示された。
- 参考スコア（独自算出の注目度）: 1.2246649738388389
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Indoor UAV localization with minimal onboard sensing remains challenging, particularly in dynamic environments. We propose augmented filtered Monte Carlo localization (AF-MCL) for 2D localization using only four single-point range sensors and measured heading. AF-MCL rejects range measurements inconsistent with the known static map and adaptively injects particles to recover from localization divergence and kidnapping. Beam classification is performed only at the previous position estimate, making its ray-casting cost independent of the particle count. The particle distribution additionally provides an online measure of localization uncertainty. Real-world experiments in a 2.10x1.63 m environment yield mean position errors of 6.4-7.7 cm under static and dynamic conditions. Simulations in 6x6 m and 10x10 m environments yield 4.5-5.2 cm mean errors; under dynamic obstacles, standard MCL reaches 12.3 cm and reliable MCL 7.7 cm. The results show that robust indoor localization under dynamic obstacles is achievable with only four single-point range measurements and heading.
- Abstract（参考訳）: 室内でのUAVのローカライゼーションは、特に動的環境において、最小限のオンボードセンシングで依然として困難である。
単点距離センサと測定方向センサのみを用いた2次元局所化のための拡張フィルタモンテカルロ局所化(AF-MCL)を提案する。
AF-MCLは、既知の静的マップと矛盾する範囲の測定を拒絶し、粒子を適応的に注入して、局所化のばらつきや誘拐から回復する。
ビームの分類は以前の位置推定でのみ行われ、粒子数に依存しないレイキャストコストとなる。
さらに、粒子分布は、局所化の不確実性のオンライン尺度を提供する。
2.10x1.63m環境における実世界の実験では、静的および動的条件下での平均位置誤差は6.4-7.7cmである。
6x6 m と 10x10 m の環境でのシミュレーションでは4.5-5.2 cm の平均誤差が生じるが、動的障害物の下では標準の MCL は 12.3 cm に達し、信頼性の高い MCL 7.7 cm に達する。
その結果, 動的障害物下でのロバストな屋内位置定位は, 4つの単点距離測定と方向測定で達成できることが示唆された。
関連論文リスト
- A comparative study on the accuracy & repeatability of mobile robotic platforms for the delivery of precision NDE measurement [0.16752458252726457]
移動ロボットプラットフォームは、大きな航空宇宙構造物の非破壊評価(NDE)のための固定マニピュレータの柔軟な代替手段を提供する。
本研究は,5つの商用モバイルプラットフォームの静的・セグメント的軌道位置決め精度を計測するレーザトラッカーに基づく評価ワークフローを提案する。
論文 参考訳（メタデータ） (2026-09-03T13:02:25Z) - FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。
ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。
ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
論文 参考訳（メタデータ） (2026-07-13T14:10:01Z) - Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement [46.13526676100776]
Paired-CSLiDAR(英語版)は、シングルスキャンポーズリファインメントのためのクロスソース空地LiDARベンチマークである。
このベンチマークには6つの評価サイトで12,683組の地上空対が含まれている。
本稿では,RGSR(Residual-Guided Stratified Registration)を提案する。
論文 参考訳（メタデータ） (2026-05-01T13:14:20Z) - Semantic Landmark Particle Filter for Robot Localisation in Vineyards [1.1077058391970922]
平行な作物列は、ほぼ同じLiDAR観測を発生させ、幾何学のみのSLAM系と視覚ベースのSLAM系が間違った回廊に収束する。
本稿では,トランクおよびポールランドマーク検出を2次元LiDARと統合したセマンティックランドマーク粒子フィルタを提案する。
論文 参考訳（メタデータ） (2026-03-11T14:57:14Z) - UMLoc: Uncertainty-Aware Map-Constrained Inertial Localization with Quantified Bounds [1.2246649738388389]
本稿では,不確実性を考慮したMap-Constrained Inertial Localization(UMLoc)を提案する。
UMLocは、IMUの不確実性をモデル化し、ドリフト・レジリエントな位置決めを実現するために制約をマップするエンドツーエンドのフレームワークである。
その結果,70mの走行距離の平均ドリフト比は5.9%,平均Absolute Trajectory Error(ATE)は1.36mであった。
論文 参考訳（メタデータ） (2026-01-10T15:49:55Z) - Environment-Aware Indoor LoRaWAN Ranging Using Path Loss Model Inversion and Adaptive RSSI Filtering [3.776919981139063]
本稿では,環境に配慮したマルチウォールパス損失モデルとRSSIのためのKalman prefilterを結合した,軽量で解釈可能なパイプラインを提案する。
アプローチは平均絶対誤差(MAE)は4.74m、根平均二乗誤差(RMSE)は6.76mである。
論文 参考訳（メタデータ） (2025-05-02T11:00:40Z) - ROLO-SLAM: Rotation-Optimized LiDAR-Only SLAM in Uneven Terrain with Ground Vehicle [49.61982102900982]
荒地における地上車両の姿勢推定精度を向上させるために,LiDARを用いたSLAM法を提案する。
累積誤差の低減を支援するために,グローバルスケールの因子グラフが確立されている。
その結果,ROLO-SLAMは地上車両の姿勢推定に優れ,既存のLiDAR SLAMフレームワークよりも優れていた。
論文 参考訳（メタデータ） (2025-01-04T02:44:27Z) - Ultra-low Power Deep Learning-based Monocular Relative Localization
Onboard Nano-quadrotors [64.68349896377629]
この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。
超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。
実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
論文 参考訳（メタデータ） (2023-03-03T14:14:08Z)
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。