論文の概要: HeadIO: Body-Frame Heading Decomposition for Neural Inertial Odometry on Head-Mounted Devices
- arxiv url: http://arxiv.org/abs/2611.14895v1
- Date: Wed, 11 Nov 2026 01:33:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.975824
- Title: HeadIO: Body-Frame Heading Decomposition for Neural Inertial Odometry on Head-Mounted Devices
- Title(参考訳): HeadIO:ヘッドマウントデバイスにおける神経慣性オドメトリーのためのボディーフレームヘッド分解
- Abstract要約: Inertial odometry (IO)は、IMU(Inertial Measurement Units)のみを使用して、VRヘッドセット、ARメガネ、イヤホンなどのヘッドマウントデバイスでカメラ無しのヘッドトラッキングを可能にする。
本稿では,ヘッドマウント慣性オードメトリーのための体枠方向分解と双方向のマンババックボーンを組み合わせたHeadIOを提案する。
- 参考スコア(独自算出の注目度): 9.709018235962654
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inertial odometry (IO) using only Inertial Measurement Units (IMUs) enables camera-free head tracking in head-mounted devices such as VR headsets, AR glasses, and earbuds. Prior IO methods operate in a gravity-aligned world frame, which is not yaw-equivariant. Yaw augmentation improves robustness but does not guarantee equivariance; learned equivariant layers achieve it, but EqNIO's full pipeline costs nearly 3$\times$ the FLOPs of ours. While raw body-frame IMU inputs are inherently yaw-invariant, head tilt redistributes both gravity and motion signals across device axes, making the representation tilt-variant. We propose HeadIO, which combines a body-frame heading decomposition with a bidirectional Mamba backbone for head-mounted inertial odometry. Our decomposition achieves tilt invariance by separating gravity-aligned and horizontal components using only the tilt component of device orientation. We evaluate on four head-mounted datasets and find that HeadIO improves RTE-5s by 8.1% (0.260 m $\to$ 0.239 m) over world-frame methods with learned equivariant layers on Nymeria, the largest benchmark dataset, at nearly 3$\times$ lower FLOPs and 8$\times$ fewer parameters. HeadIO achieves state-of-the-art performance on our primary metric, RTE-5s, on all Aria-glasses datasets, which natively provide body-frame semantics for our decomposition method. We further evaluate the IMU-only deployment scenario on Nymeria, where HeadIO remains state-of-the-art. We show that our method relies mainly on tilt accuracy, which can be obtained from the gravity signal; for yaw, a single-coefficient gyroscope correction removes 11.6% of the yaw error and improves RTE-5s by 2.5%, and sparse external yaw corrections (for example, one every 30 s) can improve RTE-5s by 12.0%. Our decomposition is lightweight, composes with any backbone, and is suitable for real-time deployment on head-mounted devices.
- Abstract(参考訳): Inertial odometry (IO)は、IMU(Inertial Measurement Units)のみを使用し、VRヘッドセット、ARメガネ、イヤホンなどのヘッドマウントデバイスでカメラ無しのヘッドトラッキングを可能にする。
以前のIO法は、Yaw-equivariantではない重力に整合した世界フレームで動作していた。
学習された同変層はそれを実現するが、EqNIOの完全なパイプラインは、我々のFLOPの約3ドル\times$である。
生のボディーフレームIMU入力は本質的にヨー不変であるが、ヘッド傾きはデバイス軸にまたがる重力信号とモーション信号の両方を再分割し、表現傾きを変形させる。
本稿では,ヘッドマウント慣性オードメトリーのための体枠方向分解と双方向のマンババックボーンを組み合わせたHeadIOを提案する。
デバイス方位の傾き成分のみを用いて,重力方向と水平方向の成分を分離することにより,傾きの不変性を実現する。
我々は4つのヘッドマウントデータセットを評価し,HeadIOは最大のベンチマークデータセットであるNymeria上で学習された同変層を持つ世界フレーム法でRTE-5sを8.1%(0.260m$\to$0.239m)改善し,FLOPs以下で約3$\times$8$\times$少ないパラメータで比較した。
HeadIOは、Aria-Glassesのすべてのデータセット上で、私たちの主要な測定値であるRTE-5sで最先端のパフォーマンスを達成し、分解法にボディフレームのセマンティクスをネイティブに提供する。
私たちはさらに、HeadIOが最先端のままであるNymeria上でIMUのみのデプロイメントシナリオを評価します。
本手法は主に重力信号から得られる傾き精度に依存しており, ヨーの誤差の11.6%を除去し, RTE-5sを2.5%改善し, RTE-5sを12.0%向上させることができる。
我々の分解は軽量で、どんなバックボーンでも構成でき、ヘッドマウントデバイスへのリアルタイム展開に適している。
関連論文リスト
- Learnable Hodge-Laplacian Driven Mixture of Experts for Steady-PDE Surrogates on Coarse Unstructured Meshes [0.30586855806896046]
本稿では,バニラ変圧器の専門家間で解を分割するアーキテクチャを提案する。
ゲーティング機構はメッシュを入力として、エキスパート出力を再結合する頂点単位の重みを生成する。
論文 参考訳(メタデータ) (2026-10-14T17:57:24Z) - GAUGE: Group-Wise View-Inconsistency Rectification for Feed-Forward 4D Tracking [48.91477882822122]
本稿では,GAUGE(Group-wise Adaptive Unsupervised Gauge Estimation)について述べる。
方向整合性と空間接続性から運動群を復元し、フレーム単位のラジアルスケールとグループレベルの変換を推定する。
D4RT, 4RC, SM4RTを含む8つのトラッカーの動的クエリポイントでは, 訂正されていない予測に対して, 終端誤差を15.1%から62.6%削減する。
論文 参考訳(メタデータ) (2026-09-26T13:14:53Z) - GINIO: A Geometric SO(3)-Equivariant Interface for Neural Inertial Odometry [11.049454306210428]
我々は、IMU測定フレームの任意の回転の下で、神経慣性オドメトリーのための幾何SO(3)等価なインタフェースであるGINIOを提案する。
センサフレームの効率的な学習を支援するために,決定論的前処理ステップであるLast-Frame Alignment(LFA)を導入する。
また、フィルタ接続されたNIO、AirIOスタイルのリカレント空中予測、EqNIOスタイルのフルSO(3)標準化、ResNetスタイルの時間バックボーンにおいて、同じインターフェースをインスタンス化する。
論文 参考訳(メタデータ) (2026-09-21T19:28:14Z) - DepthART: Scaling Foundation Monocular Depth to Tiny Models [51.10174763031444]
DepthARTは、様々なシーンにまたがるデバイス上のデプロイメントのためのコンパクトなMDEモデルである。
ゼロショット一般化とメートル法精度の両方において、DepthARTが従来の小さなベースラインを一貫して上回っていることを示す。
また、GTX A6000で347/245 FPS (strict FP32)、Orin NX 8GBで2242/4482ドル、102 FPS (TF32)、Jetson Nano 4GBで15 FPS (FP32) に達したスケーラブルなモデルファミリも提供しています。
論文 参考訳(メタデータ) (2026-07-19T06:54:52Z) - TY-RIST: Tactical YOLO Tricks for Real-time Infrared Small Target Detection [6.0340092200636475]
赤外線小目標検出(IRSTD)は、防衛と監視に重要であるが、依然として困難である。
我々は、ストライド対応のバックボーンと微粒な受容場を統合した、最適化されたYOLOv12nアーキテクチャであるTY-RISTを提案する。
4つのベンチマークと20の異なるモデルの実験では、最先端のパフォーマンスを示し、0.5 IoUでmAPを+7.9%、精度を+3%、リコールを+10.2%改善した。
論文 参考訳(メタデータ) (2025-09-26T20:36:57Z) - Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。
動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。
これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
論文 参考訳(メタデータ) (2025-07-14T16:19:00Z) - Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。
学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。
また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
論文 参考訳(メタデータ) (2025-02-14T03:26:57Z) - RSAR: Restricted State Angle Resolver and Rotated SAR Benchmark [61.987291551925516]
単位円制限損失を組み込んで角度予測精度を向上させるユニットサイクルリゾルバを導入する。
提案手法は,既存の最先端教師あり手法の性能を効果的に向上させることができる。
UCRの助けを借りて、これまでで最大の多クラス回転SARオブジェクト検出データセットであるRSARをさらに注釈し、導入する。
論文 参考訳(メタデータ) (2025-01-08T11:41:47Z) - Gravity-aligned Rotation Averaging with Circular Regression [53.81374943525774]
我々は,重力方向をグローバルパイプラインの回転平均位相に統合する原理的アプローチを導入する。
4つの大規模データセットで最先端の精度を実現する。
論文 参考訳(メタデータ) (2024-10-16T17:37:43Z)
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。