論文の概要: Conditional Diffusion Generation of DVL and Inertial Signals for Underwater Navigation

• arxiv url: http://arxiv.org/abs/2610.34574v1
• Date: Sun, 25 Oct 2026 21:14:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.638619
• Title: Conditional Diffusion Generation of DVL and Inertial Signals for Underwater Navigation
• Title（参考訳）: 水中航行のためのDVLと慣性信号の条件拡散生成
• Abstract要約: 本稿では,実記録の代わりに合成DVLと慣性信号を生成する条件拡散フレームワークを提案する。 BeamsNetの速度推定器は生成した信号だけで訓練され、実際の記録は残っていないが、完全な実際の訓練セットで得られた速度誤差と一致した。
• 参考スコア（独自算出の注目度）: 5.5217350574838875
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Autonomous underwater vehicles (AUVs) navigate without satellite positioning and rely on Doppler velocity log (DVL) and inertial sensors for motion estimation. Deep learning methods for processing these sensors require training data covering the motion the AUV encounters, commonly obtained through costly sea trials. To overcome this limitation, we present a conditional diffusion framework that generates synthetic DVL and inertial signals to replace real recordings in training. The generator employs an Elucidated diffusion model conditioned on three per-channel motion descriptors. Three configurations are evaluated: DVL beams alone, inertial channels alone, and all channels jointly from one model. Across thirteen trajectories of the real dataset, the generated signals followed the requested conditions with Pearson correlations between 0.72 and 0.997, transferred to trajectories withheld from generator training, and did not replicate any training window. A BeamsNet velocity estimator trained on generated signals alone, with no real recording retained, matched the velocity error obtained with the full real training set. Replacing up to all real windows with generated ones caused no measurable loss. Thus, this approach reduces the dependence of learned AUV navigation on sea-trial data, enables training when recordings are scarce, and facilitates developing and evaluating deep learning methods for underwater navigation.
• Abstract（参考訳）: 自律型水中車両(AUVs)は衛星測位なしで航行し、ドップラー速度ログ(DVL)と慣性センサーを使って動きを推定する。 これらのセンサーを処理するための深層学習法では、AUVが遭遇する動きをカバーする訓練データが必要である。 この制限を克服するために、実記録を置き換えるために合成DVLと慣性信号を生成する条件拡散フレームワークを提案する。 ジェネレータは、チャネルごとの3つのモーションディスクリプタに条件付けされたエルキシッド拡散モデルを使用する。 3つの構成が評価される: DVLビームのみ、慣性チャネルのみ、および全てのチャネルを1つのモデルから結合する。 実際のデータセットの13軌跡にわたって、生成された信号は、ピアソンの相関関係が0.72から0.997の間で要求された条件に従っており、発電機の訓練を受けずに軌道に転送され、訓練窓は複製されなかった。 BeamsNetの速度推定器は生成した信号だけで訓練され、実際の記録は残っていないが、完全な実際の訓練セットで得られた速度誤差と一致した。 生成されたウィンドウですべてのウィンドウにリプレースすると、測定可能な損失は出なかった。 したがって、この手法は、海中データへの学習されたAUVナビゲーションの依存を低減し、記録が不足している場合のトレーニングを可能にし、水中ナビゲーションのための深層学習手法の開発と評価を容易にする。

関連論文リスト

• A Unified Neural-Aided Alignment and Calibration Method for AUVs [4.913013713982677]
  AUVは正確な航法のために慣性航法システム(INS)とドップラー速度ログ(DVL)の融合に依存している。 本稿では、両ステージを補完する2つのニューラルネットワーク、アライメントのためのResAlignNetとキャリブレーションのためのDCNetに置き換える、完全なニューラルネットワークによるDVLパイプラインを提案する。 5つの異なるセンサーエラー終端の組み合わせで記録された実世界のデータを用いて、提案されたパイプラインは、モデルベースベースライン平均68.7%の速度ルート平均二乗誤差を削減した。
  論文  参考訳（メタデータ） (2026-08-23T16:32:37Z)
• Channel-wise Dynamic Knowledge Distillation via Adaptive Sample Generation for Action Recognition [53.278983063932706]
  適応型サンプル対応チャネルワイドダイナミック (ASCD) KD アプローチを開発した。 まず、適応的なサンプル生成モジュールを使用して、サンプル勾配のセマンティクスを組み込んで、更新されたサンプルを作成する。 第2に, チャネルワイド・ダイナミック蒸留モジュールを用いて, サンプル勾配と特徴周波数で導かれるこれらのサンプルを学生に訓練する。
  論文  参考訳（メタデータ） (2026-08-04T04:18:13Z)
• DVL-DeepONet: A Physics-Guided Operator Learning for Resilient Underwater Navigation [5.5217350574838875]
  物理誘導型ディープニューラルネットワークフレームワークDVL-DeepONetと3つの変種を提案する。 提案手法は実世界のAUV実験を用いて検証され, 累積経路長は約10,000mである。 実験の結果,提案したDVL-DeepONetアーキテクチャはベースラインモデルベースアプローチと学習ベースアルゴリズムを40%上回る性能を示した。
  論文  参考訳（メタデータ） (2026-06-22T15:48:58Z)
• DriveFlow: Rectified Flow Adaptation for Robust 3D Object Detection in Autonomous Driving [85.14946767994932]
  DriveFlowは、自律運転におけるデータ強化をトレーニングするためのRectified Flow Adaptation法である。 これは、精密な3次元オブジェクト形状を維持するために、フォアグラウンドの高周波アライメント損失を組み込む。 また、バックグラウンドをデュアル周波数で最適化し、編集の柔軟性とセマンティック一貫性のバランスをとる。
  論文  参考訳（メタデータ） (2025-11-24T03:12:43Z)
• MeanFlow Transformers with Representation Autoencoders [71.45823902973349]
  MeanFlow(MF)は、ノイズからデータへのジャンプを直接学習することで、効率的な数ステップ生成を可能にする拡散動機付き生成モデルである。 我々は、表現オートエンコーダ(RAE)の潜在空間におけるMFの効率的なトレーニングとサンプリング手法を開発する。 1ステップのFIDが2.03であり,バニラMFの3.43を上回っ,GFLOPSのサンプリングを38%削減し,ImageNet 256のトレーニングコストを83%削減した。
  論文  参考訳（メタデータ） (2025-11-17T06:17:08Z)
• SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
  SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。 強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-03-25T17:59:57Z)
• Seamless Underwater Navigation with Limited Doppler Velocity Log Measurements [13.221163846643607]
  限られたDVL測定条件下でのシームレスなAUVナビゲーションのためのハイブリッドニューラルカップリング(HNC)手法を提案する。 まず、DVLビームを2つまたは3つ失くすためのアプローチを推進します。 その後、これらのビームは測定されたビームとともに拡張カルマンフィルタ(EKF)に組み込まれる。
  論文  参考訳（メタデータ） (2024-04-21T18:56:54Z)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• BeamsNet: A data-driven Approach Enhancing Doppler Velocity Log Measurements for Autonomous Underwater Vehicle Navigation [12.572597882082054]
  本稿では,推定DVL速度ベクトルを回帰するエンドツーエンドのディープラーニングフレームワークであるBeamsNetを提案する。 その結果,提案手法はDVL速度ベクトルの推定において60%以上の改善を達成できた。
  論文  参考訳（メタデータ） (2022-06-27T19:38:38Z)
• A Deep Learning Approach To Dead-Reckoning Navigation For Autonomous Underwater Vehicles With Limited Sensor Payloads [0.0]
  自律型水中車両(AUV)の相対水平速度を予測するためにリカレントニューラルネットワーク(RNN)を開発した。 RNNネットワークは、ドップラー速度ロガー(DVL)が地上の真理速度を提供する実験データを用いて訓練される。 相対速度の予測は、北と東の位置を近似するデッドレコンディングアルゴリズムで実施された。
  論文  参考訳（メタデータ） (2021-10-01T21:40:10Z)

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。