フィルタリング/航法2026/3/1arXiv:2603.26709

ニューラル支援適応イノベーションに基づく不変カルマンフィルタ

Neural Aided Adaptive Innovation-Based Invariant Kalman Filter

リー群上で不変フィルタ理論とニューラルネットによる適応ノイズ推定を組み合わせ、実世界の水中航法で位置精度を向上させた。

詳しい要約

1. どんなもの？

- 自律プラットフォームの測位精度向上を目的とした **Neural Aided Adaptive Innovation-Based Invariant Kalman Filter** を提案。 - **Invariant Kalman filter (InEKF)** と **neural-aided adaptive noise estimation** を組み合わせ、**Lie group** 上で **process noise adaptation** を直接定式化。 - 生の **inertial data** から **process noise covariance** パラメータを推定する軽量 **neural network** を提案。 - **sim2real** の **domain adaptation** で学習し、実世界のラベルなしデータを不要とする。 - 対象は **autonomous underwater navigation** という難易度の高い実世界シナリオ。

2. 先行研究と比べてどこがすごい？

- 従来の **adaptive noise estimation** は主に **classical Euclidean formulations** 向けに開発され、**tangent Lie space** ではほとんど未探索だった。 - 本研究は **invariant filtering theory** と **neural-aided adaptive noise estimation** を統合し、**Lie-group framework** 内で **innovation-based process noise adaptation** を理論的に拡張。 - **geometric invariance** が学習ベースの適応を大幅に強化することを確認。 - **tangent Lie space** での適応的ノイズ推定が非線形自律プラットフォームのナビゲーション精度を改善する強力な機構であることを示す。

3. 技術・手法の肝は？

- **invariant filtering theory** に基づき、**Lie-group framework** 内で **classical innovation-based process noise adaptation** を直接拡張した新理論を導出。 - 生の **inertial data** から **process noise covariance** パラメータを直接推定する軽量 **neural network** を設計。 - **sim2real** の **domain adaptation** により、ラベル付き実世界データなしで **motion-dependent** および **sensor-dependent** なノイズ特性を学習。 - これらを統合した **neural-aided adaptive invariant Kalman filter** を構築。

4. どうやって有効だと検証した？

- **autonomous underwater navigation** という難易度の高い実世界シナリオで実験。 - 既存手法と比較して **position root mean square error** で優れた性能を実証。 - 結果は **sim2real pipeline** を検証し、**geometric invariance** が学習ベース適応を強化することを確認。 - **tangent Lie space** での適応的ノイズ推定が非線形自律プラットフォームのナビゲーション精度を改善することを示す。

5. 議論はある？

- 要旨からは、**Lie-group framework** 内での **innovation-based process noise adaptation** の理論的拡張が、**tangent Lie space** における適応的ノイズ推定の有効性を示すと主張。 - **geometric invariance** が学習ベース適応を大幅に強化することを確認。 - 具体的な限界や議論の詳細は要旨からは不明。

6. 次に読むべき論文は？

- **Invariant Kalman filter (InEKF)** に関する研究。 - **Extended Kalman filter (EKF)** に関する研究。 - **adaptive noise estimation** の古典的手法。 - **sim2real** および **domain adaptation** の関連研究。 - **autonomous underwater navigation** のナビゲーション手法。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Barak Diker, Itzik Klein

分類: eess.SY, cs.RO, cs.SY, eess.SP

原文アブストラクト

Autonomous platforms require accurate positioning to complete their tasks. To this end, a Kalman filter-based algorithms, such as the extended Kalman filter or invariant Kalman filter, utilizing inertial and external sensor fusion are applied. To cope with real-world scenarios, adaptive noise estimation methods have been developed primarily for classical Euclidean formulations. However, these methods remain largely unexplored in the tangent Lie space, despite it provides a principled geometric framework with favorable error dynamics on Lie groups. To fill this gap, we combine invariant filtering theory with neural-aided adaptive noise estimation in real-world settings. To this end, we derive a novel theoretical extension of classical innovation-based process noise adaptation formulated directly within the Lie-group framework. We further propose a lightweight neural network that estimates the process noise covariance parameters directly from raw inertial data. Trained entirely in a sim2real framework via domain adaptation, the network captures motion-dependent and sensor-dependent noise characteristics without requiring labeled real-world data. To examine our proposed neural-aided adaptive invariant Kalman filter, we focus on the challenging real-world scenario of autonomous underwater navigation. Experimental results demonstrate superior performance compared to existing methods in terms of position root mean square error. These results validate our sim2real pipeline and further confirm that geometric invariance significantly enhances learning-based adaptation and that adaptive noise estimation in the tangent Lie space offers a powerful mechanism for improving navigation accuracy in nonlinear autonomous platforms.

arXivで原文を読む →arXiv概要ページ

← 論文一覧