PyTorchKR Papers

최신 논문

총 1,159편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.05669v1cs.RO

Evidential Mamba를 이용한 자기수용적 차량 위치 추정을 위한 불확실성 인식 속도 보정

Uncertainty-Aware Velocity Correction for Proprioceptive Vehicle Localization using Evidential Mamba

GNSS 불가 환경에서 IMU 드리프트를 보정하기 위해, Mamba 기반 선택적 상태 공간 모델과 에비덴셜 딥러닝(evidential deep learning)을 결합한 EVC-Mamba를 제안하여 추가 하드웨어 없이 차량 탑재 센서만으로 불확실성 인식 가상 속도 센서를 구현한다. 실차 데이터 평가에서 전용 외부 속도 센서 대비 10% 이내의 위치 추정 정확도를 달성하며 엣지 하드웨어에서 40 Hz 실시간 배포를 지원한다.

arXiv:2607.05663v1cs.RO

온보드 센서를 활용한 고유감각적 차량 측위를 위한 물리 정규화 머신러닝

Physics-Regularized Machine Learning for Proprioceptive Vehicle Localization Using Onboard Sensors

GNSS 신호 차단 시 온보드 센서만으로 차량 측위(localization) 정확도를 높이기 위해, 트랜스포머 기반 ML 모델과 미분 가능한 확장 칼만 필터(EKF)를 결합한 하이브리드 프레임워크 PRML2를 제안한다. 엔드-투-엔드 학습 과정에서 EKF가 물리 정규화기(physics regularizer)로 작동해 차량 운동 모델과의 일관성을 강화하며, 공개 데이터셋 평가에서 기존 방법 대비 우수한 측위 정확도와 실시간 처리 능력을 입증했다.

arXiv:2607.05449v1cs.LG

UWB 센싱 및 작업 구역 재구성을 위한 기하 인식 인프라 앵커 기반 디노이저

Geometry-Aware Infrastructure-Anchored Denoiser for UWB Sensing and Work-Zone Reconstruction

UWB 센싱 기반 도로 공사 구역의 경계 재구성을 위해, 비가시선(NLOS) 오류와 버스트 노이즈로 인한 레인지 왜곡 문제를 해결하는 기하 인식 프레임워크 GAIA를 제안한다. GAIA는 시간적 레인지 모델링과 잠재 앵커 배치 추정, 결정론적 거리 투영을 결합하여 PoseMLP 대비 MSE를 18.4% 감소시키고 폴리곤 IoU를 15.5% 향상시켰다.

arXiv:2511.06229v3cs.LG

신용 할당을 고려한 미시적 교통 시뮬레이션의 동적 기종점 행렬 추정을 위한 심층 강화학습

Deep Reinforcement Learning for Dynamic Origin-Destination Matrix Estimation in Microscopic Traffic Simulations Considering Credit Assignment

미시적 교통 시뮬레이션의 동적 기종점 행렬 추정(DODE) 문제를 마르코프 결정 과정(MDP)으로 재정의하고, 신용 할당(credit assignment) 문제를 해결하기 위해 다중 이진 행동 공간을 가진 PPO 기반 심층 강화학습(DRL) 프레임워크를 제안한다. Nguyen-Dupuis 네트워크 실험과 Santa Clara·San Jose 실제 고속도로 네트워크 사례 연구에서 기존 최강 기준선 대비 링크 교통량 MSE를 각각 23.7%, 59.2~88.3% 감소시켰다.

arXiv:2505.11602v3cs.LG

불연속 게이팅을 가진 선택적 SSM의 정칙성 및 안정성 특성

Regularity and Stability Properties of Selective SSMs with Discontinuous Gating

Mamba와 같은 선택적 상태 공간 모델(Selective SSMs)의 불연속 게이팅으로 인한 안정성 문제를 수동성(passivity), 소산성(dissipativity), 입력-상태 안정성(ISS) 이론으로 분석하여 지수적 망각, 전역 안정성 등 네 가지 이론적 결과를 도출하고, 이를 미분 가능한 학습 시간 정규화기로 구현하였다. 7개의 시계열 데이터셋 28쌍 전체에서 LMI 위반을 약 92% 감소시키면서 MSE 손실은 0.018% 미만으로 유지하여, 고전적 제어 이론 도구를 선택적 SSM의 검증 가능한 구조적·학습 기준으로 전환하는 실질적 가능성을 보였다.

arXiv:2607.06111v1eess.SY

신뢰할 수 있는 산업 공정 추론을 위한 대규모 언어 모델 기반 측정 신뢰도 보정

LLM-Guided Measurement Credibility Correction for Trustworthy Industrial Process Inference

LLM 기반 측정 신뢰도 보정(MCC) 방법을 제안하며, 공정 문서에서 측정 의미론(measurement semantics)을 오프라인으로 추출해 예측 전 입력 측정값의 신뢰성을 판단하고 국소적 충돌을 보정한다. 여러 산업용 예측 및 소프트 센싱(soft sensing) 과제에서 실제 테스트 기준 평균 MAE 30.7%, 오염 시나리오 기준 80.3% 감소를 달성하면서 온라인 추론 오버헤드는 0.089 ms/스텝에 불과하다.

arXiv:2511.18737v3math.ST

총변동 페널티화를 통한 선형 동적 시스템 네트워크의 결합 학습

Joint learning of a network of linear dynamical systems via total variation penalization

그래프 위에 배치된 $m$개의 선형 동적 시스템(LDS)을 총변동(total variation) 페널티 최소제곱 추정량으로 결합 추정하는 방법을 제안하며, 시스템 행렬이 그래프 엣지에 걸쳐 부드럽게 변하거나 소수의 점프만 보일 때 각 노드를 독립적으로 추정하는 OLS보다 MSE가 훨씬 빠르게 감소함을 비점근적으로 증명한다. 특히 잘 연결된 그래프에서는 궤적 길이 $T$가 상수일 때도 $m$이 증가함에 따라 MSE가 0으로 수렴하는 약한 일관성이 보장됨을 보이고, 합성 데이터 및 미국 EPA 대기질 모니터링 네트워크 실제 데이터 실험으로 이를 검증한다.

arXiv:2607.03349v1cs.LG

PedestrianDiffusion: 관성 항법을 위한 멀티모달 생성적 디노이징 및 밀집 상태 추정

PedestrianDiffusion: Multimodal Generative Denoising and Dense State Estimation for Inertial Navigation

MEMS 기반 관성 항법 시스템의 확률적 노이즈와 추정 지터링 문제를 해결하기 위해, PedestrianDiffusion은 Short-Time Fourier Transform(STFT)을 활용한 스펙트럼 도메인 생성 프레임워크로 6D 상태 추정을 조건부 디노이징 과정으로 재정식화한다. 비전-언어 임베딩 기반의 제로샷 의미론적 조건화와 단일 스텝 확률 흐름 ODE 솔버($T=1$)를 결합하여, OxIOD, RIDI, RoNIN, TLIO 벤치마크에서 최첨단 성능과 함께 임펄스 섭동 및 6D 운동학적 드리프트에 대한 강건성을 달성했다.

arXiv:2607.02919v1physics.med-ph

자기 입자 영상의 중재 시술에서 실시간 카테터 위치 추정을 위한 고조파 인식 트랜스포머

Harmonic-Aware Transformer for Real-Time Catheter Localization in Interventional Procedures of Magnetic Particle Imaging

자기 입자 영상(MPI)은 자기 나노입자가 코팅된 기구의 실시간 방사선 없는 추적을 가능하게 하여 중재 시술에 매우 적합하다. 본 연구는 원시 MPI 전압 신호로부터 카테터 팁 위치를 직접 예측하는 고조파 인식 트랜스포머 프레임워크를 제안하며, 이미지 재구성의 필요성을 제거하고 연산 지연을 줄인다. 이 프레임워크는 주파수 도메인 전처리를 통해 2차에서 8차 구동 필드 고조파를 분리하여 신호 대 잡음비를 향상시키면서 움직임 관련 특징을 보존한다. 6개의 인코더 레이어와 8개의 어텐션 헤드로 구성된 트랜스포머 아키텍처를 사용하여 세 수신 축(x, y, z)에 걸친 시공간적 의존성을 학습하고 정확한 3차원 위치 추정을 수행한다. 모델은 시뮬레이션된 MPI 신호로 학습되고, 표준·굽힘·심박 유사 운동 조건에서의 실제 시험관 내(in vitro) 데이터셋으로 평가된다. 제안된 방법은 서브밀리미터 수준의 위치 추정 정확도를 달성하며, 굽힘 데이터셋에서 최소 L2 오차 0.103 ± 0.092 mm, (x, y, z) 축의 평균 절대 오차(MAE)는 각각 0.039 ± 0.046 mm, 0.054 ± 0.049 mm, 0.060 ± 0.044 mm를 기록한다. 전체 데이터셋에 걸쳐 MAE는 0.165 mm에서 0.655 mm 범위로 일관된 성능을 보인다. 최적화된 추론은 프레임당 0.55 ms의 지연과 초당 약 1800 프레임의 처리량을 달성하여 실시간 처리 능력을 확인한다. 이미지 재구성에 의존하는 기존 MPI 기반 접근법과 비교하여, 제안된 프레임워크는 복잡한 운동 조건에서 향상된 정확도, 감소된 지연, 강화된 강건성을 제공한다. 이러한 결과는 고조파 인식 트랜스포머 모델이 중재 MPI에서 실시간 카테터 위치 추정을 위한 효율적이고 확장 가능한 솔루션으로서의 잠재력을 부각시킨다.

arXiv:2607.01757v1cs.CV

DL-VINS-Factory: 비주얼-관성 SLAM의 학습 기반 비주얼 프론트엔드를 위한 모듈형 프레임워크

DL-VINS-Factory: A Modular Framework for Learned Visual Front-Ends in Visual-Inertial SLAM

딥러닝 특징 추출기(ALIKED, RaCo, SuperPoint, XFeat)를 Lucas–Kanade 옵티컬 플로우 또는 LightGlue 매칭과 조합하여 공정한 비교가 가능한 모듈형 VI-SLAM 프레임워크 DL-VINS-Factory를 제안한다. 4개 데이터셋 벤치마크 결과, 학습 기반 프론트엔드는 실시간 임베디드 SLAM에 실용적으로 적용 가능하나 고전적 추적 방식에 비해 항상 우월하지는 않으며, ALIKED+LG는 EuRoC ATE를 최대 12%, SuperPoint/RaCo+LK는 Botanic Garden에서 최대 38%까지 감소시킨다.

arXiv:2607.01660v1cs.LG

Message Passing Based Two-Timescale Bayesian Learning for Joint Channel and Memory Hardware Impairments Tracking

대규모 MIMO 수신기의 하드웨어 손상(hardware impairments)이 채널 추정 성능을 저하시키는 문제를 해결하기 위해, RGRU(residual recurrent gated unit)로 인트라-슬롯 메모리 효과를 모델링하고 메시지 패싱 기반 이중-시간척도(two-timescale) 베이지안 딥러닝 프레임워크(MP-TTBDL)를 제안한다. 빠르게 변화하는 무선 채널에는 빠른-변화 마르코프 사전분포를, 느리게 드리프트하는 하드웨어 손상 파라미터에는 느린-변화 가우시안 마르코프 사전분포를 각각 할당하고, Turbo-OAMP와 DAMP를 반복적으로 교환하여 채널과 손상을 공동 추적함으로써 기존 보상기 기반 방법 대비 낮은 채널 추정 오차를 달성했다.

arXiv:2607.01537v1cs.LG

Certified World Models as Sensing Clocks: Drift-Aware Deadlines for Active Perception

인증된 월드 모델(world model)의 예측 유효 기간을 에이전트가 언제 재감지(re-sense)해야 하는지를 결정하는 운영적 감지 클럭(sensing clock)으로 변환하는 방법을 제안하며, 배포 가능한 데드라인이 반드시 드리프트 인식(drift-aware) 방식이어야 함을 보인다. 동결된 3D VN-JEPA 모델에 적용한 실험에서 on-manifold Lyapunov 속도만으로는 코스팅 유효 기간을 과대평가하며, 교정된 네이티브 롤아웃 드리프트 엔벨로프가 실제 배포 보장을 제공함을 확인하였다.

arXiv:2607.01528v1cs.LG

Wind-Aware Reinforcement Learning Control of a Small Quadrotor Using Learned Onboard Wind Estimation in Simulated Atmospheric Turbulence

어텐션이 결합된 게이트 순환 네트워크(GRU)로 온보드 운동학·동역학 정보만을 이용해 대기 난류 속 수평 풍속 벡터를 RMSE 0.40 m/s, 방향 오차 3.2° 수준으로 추정하고, 이 추정값을 proximal policy optimization(PPO) 기반 강화학습 비행 제어기에 입력함으로써 기존 PD 기준 대비 수평 궤적 추적 오차를 48% 감소시켰다. 세 가지 절제 실험(ablation)을 통해 성능 향상이 운동학적 학습 요소와 풍속 인식 요소로 분리됨을 확인하였으며, 특히 강풍 구간에서 풍속 인식의 기여가 커지는 것이 공기역학적 항력의 이차 스케일링과 일치함을 보였다.

arXiv:2505.07254v2cs.CV

Towards Accurate State Estimation: Motion Dynamics Kalman Filter for 3D Multi-Object Tracking

도심 환경에서의 가변적인 객체 움직임을 단일 모델로 처리하기 위해, 연속 측정값 간의 운동 변화를 가우시안 분포로 모델링하고 가중 운동 모델을 적응적으로 조정하는 MD-KF(Motion Dynamics Kalman Filter)를 제안한다. MD-KF는 다중 모델 칼만 필터(IMM-KF) 대비 계산 지연을 크게 줄이면서도 여러 데이터셋에서 추적 성능을 일관되게 향상시키며, 특히 가려진 객체의 궤적 추정과 정지 객체의 상태 추정 안정성에서 우수한 성능을 보인다.

arXiv:2607.00056v1cs.IT

Active Sensing for RIS-Aided Tracking and Power Control: A Hybrid Neuroevolution and Supervised Learning Approach

재구성 가능한 지능형 표면(RIS)을 활용한 전력 제한 모바일 사용자의 에너지 효율적 추적 문제를 다루며, 이산 RIS 위상 프로파일의 비미분성과 단일 비트 피드백 제약을 극복하기 위해 뉴로에볼루션(neuroevolution)과 지도학습을 결합한 Dual-Agent(DA) 딥러닝 프레임워크를 제안한다. 제안된 방법은 확장 칼만 필터, 파티클 필터, 머신러닝 기반 추적기 및 심층 강화학습(DRL) 기준선을 능가하는 정확하고 강건한 추적 성능을 달성함을 수치 시뮬레이션으로 입증하였다.

arXiv:2606.31473v1eess.SP

Von Mises Based Uncertainty Quantification for Closely Spaced Automotive Radar Targets

자동차 레이더에서 근접한 확장 표적의 도래각(DOA) 추정 시 불확실성을 정량화하기 위해, von Mises 앙상블(ENS)과 증거적 딥러닝(EDL) 프레임워크를 비교 분석하였다. ENS는 명목 조건에서 낮은 불확실성과 심각한 교란에 대한 강한 민감도를 보이며, 폐쇄형 VM 우도를 통해 연관 모듈과의 직접적인 확률적 통합이 가능하여 통합된 탐지-추적 파이프라인 구성에 유리하다.

arXiv:2606.31216v1cs.RO

Information-Aided DVL Calibration

자율수중차량(AUV) 항법 정확도를 향상시키기 위해 도플러 속도계(DVL) 보정 시 GNSS 가용 환경에서 영속도(zero velocity) 정보 보조를 활용하고, GNSS 불가 환경에서는 완화된 오차 모델 기반의 자가보정을 가능케 하는 정보 보조 보정(IAC) 프레임워크를 제안한다. 실제 AUV 데이터셋 실험에서 GNSS 가용 환경 대비 최대 20%, GNSS 불가 환경에서 속도 벡터 추정 최대 35% 성능 향상을 달성하였다.

arXiv:2606.30936v1cs.LG

Physics-informed Conditional Normalizing Flows for Angles-only Cislunar Orbit Determination

Generative Astrodynamics is advanced in this work by extending generative modelling to an orbit determination problem in the cislunar environment. The task is formulated as conditional density estimation, aiming to infer the probability distribution of the initial state from angles-only measurements over short observation arcs. A normalising flow is trained on perturbed topocentric observations from Near Rectilinear Halo Orbits, enabling a flexible and potentially multimodal posterior representation. Given new measurements, the learned density is sampled to generate statistically consistent and physics-informed state hypotheses. These estimates are refined via nonlinear least-squares minimisation, providing a competitive warm start for classical algorithms.

arXiv:2606.28441v1cs.LG

부분적으로 알려진 동역학 하에서의 분산 추정 학습: 공분산 무관 신경망 칼만 합의 필터

Learning to Distributedly Estimate under Partially Known Dynamics: A Covariance-Agnostic Neural Kalman Consensus Filter

온라인 잠재 상태 추정(latent state estimation)은 인공지능 분야의 근본적인 과제로, 순차적 의사결정, 이상 탐지 및 변화점 탐지를 포함한 다양한 응용의 기반 도구로 활용된다. 본 논문에서는 에이전트(agent)들이 협력하고 정보를 교환하여 잠재 상태 추정을 수행하는 새로운 온라인 분산 센싱 프레임워크를 제시한다. 제안된 추정기는 가용한 부분적 도메인 지식과 심층 신경망의 표현 능력을 결합한다. 특히, 설계된 센싱 프레임워크는 사전 추정값, 최적화된 합의 가중치, 및 칼만 방식의 순환적 업데이트를 통합하여, 잡음 통계에 대한 지식 없이 분산 추론(inference)을 수행한다. 선형, 혼돈계(Lorenz) 및 실용적인 무선 추적 환경에서의 광범위한 실험을 통해, 제안된 공분산 무관 신경망 칼만 합의 필터(CA-NKCF)가 전통적인 분산 칼만 필터 및 파티클 필터, 그리고 순수 모델(model) 비의존 심층 신경망보다 우수한 성능을 보이며, 기저 운동 모델과 관측 모델이 잘못 명세된 경우에도 강건성을 나타냄이 드러난다. 또한 CA-NKCF의 성능 우위는 다양한 잡음 수준, 무작위 통신 토폴로지, 잠재 상태 차원, 및 무선 시스템 내 산란 객체로 인한 관측 클러터 밀도 전반에 걸쳐 안정적으로 유지됨을 보인다.

arXiv:2606.28413v1cs.LG

메시 인텔리전스를 위한 리퀴드 기질의 필요성에 관하여

On the Necessity of a Liquid Substrate for Mesh Intelligence

자율 에이전트들의 메시(mesh)에는 중심이 없다: 공유 클록도, 공유 모델도, 데이터를 수집하거나 재학습을 수행할 코디네이터도 존재하지 않는다. 메시의 역량은 각 에이전트가 피어들이 내보내는 투영(projection)을 단일 내부 상태로 접합(fold)하는 데 달려 있으며, 이는 비정기적이고 비예약적인 시간에 도착하는 관측으로부터 온라인으로 이루어지고, 가중치를 재학습할 수 없는 기질(substrate) 위에서 수행된다. 이 제약 조건들 각각은 단독으로는 다룰 수 있지만, 세 가지를 동시에 최적으로 접합하는 것은 불가능하다. 우리는 그러한 기질이 무엇이어야 하는지를 묻고, 비정기적·외생적 시간에 관측되는 자기진화 잠재변수(self-evolving latent) 모델로부터 두 가지 필요조건을 증명한다. 잠재변수가 변화하기 때문에 그 최적 추정량은 시간 변동적이며, 적응적 타임스케일이 필요하고 모든 고정 이득 필터는 엄격히 준최적(suboptimal)이다. 그리고 도착이 클록-프리(clock-free)이기 때문에 최적 추정치는 도착 간 경과 시간에 의존하는데, 이를 갭-블라인드(gap-blind) 네트워크는 어떤 너비나 깊이에서도 복원하지 못한다. 이 두 번째 조건은 용량과 무관하다: 스케일은 누락된 의존성을 대체할 수 없다. 두 조건은 연속시간 리퀴드(liquid) 클래스에서 교차한다. LSTM은 첫 번째 조건을 만족하고, 고정 연속시간 필터는 두 번째 조건을 만족하며, 다중 타임스케일 리퀴드 네트워크는 두 조건 모두를 만족한다. 합성 실험은 각각을 확인한다: 네트워크는 타임스케일을 달성하며, 분리(separation)는 정확하게 계산된다. 이 특성화는 필요조건이지 충분조건이 아니며, 고정 가중치 기질에 구속된다: 재학습이 자유로운 네트워크는 다른 수단으로 해당 클래스에 도달한다. 에이전트별로 증명된 필요성은 메시의 모든 에이전트에 구속되며, 이는 메시 인텔리전스에 대한 구조적 조건이다.