Fugu-MT 論文翻訳(概要): AFast Robot Localization Method Based on Monte Carlo Sampling

論文の概要: AFast Robot Localization Method Based on Monte Carlo Sampling

arxiv url: http://arxiv.org/abs/2610.39708v1
Date: Thu, 29 Oct 2026 09:44:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-02 22:49:46.645906
Title: AFast Robot Localization Method Based on Monte Carlo Sampling
Title（参考訳）: モンテカルロサンプリングに基づくAFast Robot Localization法
Abstract要約: 本稿ではモンテカルロサンプリングに基づくオンライン粒子フィルタの局所化手法を提案する。この方法は迷路環境における移動ロボットのローカライズに応用され、車両の前、後、左、右側に装着された4つのレンジセンサーしか必要としない。
参考スコア（独自算出の注目度）: 4.219004150628593
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Localization is an essential capability of intelligent robots. However, in real-world constrained environments, robots often cannot rely on external localization systems. Therefore, this paper proposes an online particle-filter localization method based on Monte Carlo sampling. The method is applied to the localization of a mobile robot in a maze environment and requires only four range sensors mounted on the front, rear, left, and right sides of the vehicle, without the need for any heading information. Simulation experiments demonstrate that even in a maze where local regions are highly similar, the vehicle can still achieve relatively accurate localization, thereby providing a fast and effective approach for robot localization in complex environments.
Abstract（参考訳）: ローカライゼーションはインテリジェントロボットにとって不可欠な能力である。しかし、現実世界の制約のある環境では、ロボットは外部のローカライゼーションシステムに依存しないことが多い。そこで本研究では,モンテカルロサンプリングに基づくオンライン粒子フィルタの局在化手法を提案する。本手法は迷路環境における移動ロボットのローカライズに応用され,車両の前方,後方,左側,右側に装着された4つのレンジセンサのみを必要とする。シミュレーション実験により、局所領域が非常に近い迷路でも比較的正確な位置決めが可能であり、複雑な環境下でロボットの位置決めを高速かつ効果的に行うことができることを示した。

関連論文リスト

Transformer-based Monte Carlo Localization in Construction Meshes [5.713324215826695]
我々は,建築メッシュに対するロボットのポーズを推定する,LiDARに基づくグローバルな再ローカライズシステムを開発した。パイプラインは、ビルメッシュ内のロボットのセンサーをシミュレートして得られる合成LiDARスキャンにのみ訓練される。実世界のデータセットの評価から,本手法は拡散ベースのベースラインとScanContext++ベースラインの両方より優れていることが示された。
論文参考訳（メタデータ） (2026-09-25T14:54:15Z)
Continuum Robot Localization using Distributed Time-of-Flight Sensors [14.753889983176194]
本稿では,ロボットの長さに沿って分散された小型で低解像度のToFセンサを利用する連続ロボットのための技術を提案する。 53cmのロボットを用いた実験条件で, 位置2.5cm, 回転7.2mの平均定位誤差を実現する。
論文参考訳（メタデータ） (2026-02-06T21:42:37Z)
Real-Time Localization Framework for Autonomous Basketball Robots [0.0]
ロボコン2025では、射撃精度の向上、他のロボットとの衝突の回避、競技場を効率的にナビゲートするために、正確で信頼性の高い位置決めが不可欠である。バスケットボール場における自己ローカライゼーションを実現するために,裁判所の床からの視覚データに頼って古典的手法と学習に基づく手法を統合するハイブリッドなローカライゼーションアルゴリズムを提案する。
論文参考訳（メタデータ） (2026-01-13T16:40:18Z)
Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
論文参考訳（メタデータ） (2024-07-22T12:32:09Z)
Active Visual Localization for Multi-Agent Collaboration: A Data-Driven Approach [47.373245682678515]
本研究は、視点変化の課題を克服するために、アクティブな視覚的ローカライゼーションをどのように利用できるかを検討する。具体的には、与えられた場所における最適な視点を選択する問題に焦点をあてる。その結果,既存の手法と比較して,データ駆動方式の方が優れた性能を示した。
論文参考訳（メタデータ） (2023-10-04T08:18:30Z)
LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
論文参考訳（メタデータ） (2022-02-01T20:27:46Z)
Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
論文参考訳（メタデータ） (2021-06-23T17:27:04Z)
Real-time Localization Using Radio Maps [59.17191114000146]
パスロスに基づく簡易かつ効果的なローカライゼーション法を提案する。提案手法では, 受信した信号強度を, 既知の位置を持つ基地局の集合から報告する。
論文参考訳（メタデータ） (2020-06-09T16:51:17Z)
Graph-based Proprioceptive Localization Using a Discrete Heading-Length Feature Sequence Matching Approach [14.356113113268389]
Proprioceptive Localizationは、新しいタイプのロボットエゴセントリックなローカライゼーション手法を指す。これらの方法は自然に悪天候、照明条件、その他の極端な環境条件に免疫がある。環境条件の厳しい環境条件下で、ローカライゼーションのための低コストなフォールバックソリューションを提供する。
論文参考訳（メタデータ） (2020-05-27T23:10:15Z)
Localising Faster: Efficient and precise lidar-based robot localisation in large-scale environments [27.53080210457653]
本稿では,大規模環境における移動ロボットのグローバルなローカライズのための新しいアプローチを提案する。本手法は,学習に基づくローカライゼーションとフィルタリングに基づくローカライゼーションを活用し,ロボットのローカライズを効率的かつ正確に行う。提案手法は,約0.5km2の大規模環境下で,平均1.94秒(0.8秒)で精度0.75mの精度でロボットをローカライズできることを示す。
論文参考訳（メタデータ） (2020-03-04T03:39:37Z)

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。