arXiv:2409.10815

Pose estimation of CubeSats via sensor fusion and Error-State Extended Kalman Filter

Deep Parikh, Manoranjan Majji

제출 2024-09-17

원문 초록

A pose estimation technique based on error-state extended Kalman that fuses angular rates, accelerations, and relative range measurements is presented in this paper. An unconstrained dynamic model with kinematic coupling for a thrust-capable satellite is considered for the state propagation, and a pragmatic measurement model of the rate gyroscope, accelerometer, and an ultra-wideband radio are leveraged for the measurement update. The error-state extended Kalman filter framework is formulated for pose estimation, and its performance has been analyzed via several simulation scenarios. An application of the pose estimator for proximity operations and scaffolding formation of CubeSat deputies relative to their mother-ship is outlined. Finally, the performance of the error-state extended Kalman filter is demonstrated using experimental analysis consisting of a 3-DOF thrust cable satellite mock-up, rate gyroscope, accelerometer, and ultra-wideband radar modules.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.22619v1cs.AI공통 태그 Pose Estimation, Sensor Fusion

GaitVista: 접근 가능한 종단 보행 평가를 위한 신뢰성 인식 AI 측정

GaitVista: Reliability-Aware AI Measurement toward Accessible Longitudinal Gait Assessment

보행 기능 회복을 추적하려면 재활 세션에 걸쳐 의미 있는 보행 변화를 감지해야 하지만, 객관적인 3D 측정은 여전히 전문 모션 캡처(motion-capture) 실험실에 국한된다. 소규모 카메라 세트와 착용형 관성 센서(inertial sensor)는 접근성을 넓히지만, 관절과 시간에 따라 신뢰도가 달라져 센싱 실패가 환자 변화처럼 보일 수 있다. 본 논문은 카메라 커버리지, 국소 시각 품질, 교차 모달 불일치, 뿌리(root) 운동 연속성을 이용해 관절·프레임별 시각 기여도를 할당하고 이를 검사할 수 있게 노출하는 경량 게이트를 갖춘, 신뢰성 인식 측정 층인 \textsc{GaitVista}를 제안한다. TotalCapture에서 일곱 가지 깨끗한·열화된 센싱 조건에 대해 \textsc{GaitVista}는 평균 전신 및 하체 오차를 각각 \textbf{27.7\%} 및 \textbf{27.8\%} 줄이고, 융합(fusion) 방법 중 최악 조건 오차가 가장 낮으며, 조건 무시 기준선 대비 관절-프레임 오라클과의 격차를 $2.76$--$5.33$~cm에서 $1.11$~cm로 줄인다. 이미지 유도 키포인트(image-derived keypoint)를 사용한 MoVi에서는, 단일 모달 스트림 모두보다 성능을 개선하는 유일한 배포 가능한 융합 방법으로, 가장 강한 학습 기반 융합 기준선 대비 마커 지원 오차를 \textbf{6.4\%} 상대 감소시킨다. TotalCapture에서는 양측 무릎 굴곡(knee-flexion) 파형 정확도를 \textbf{18.9\%} 개선한다. 다섯 명의 TotalCapture 참가자로부터의 원시 관성 측정값은 위치·시간에 따라 변하는 자기 교란(magnetic disturbance)을 보여 주어, 설계의 신뢰성 전제를 뒷받침한다. 두 벤치마크 모두 통제된 환경의 신경학적으로 건강한 참가자를 포함하며 참가자별 IMU 보정을 유지하므로, 검증된 임상 배포가 아니라 접근 가능한 보행 평가를 향한 진전을 보고한다.

arXiv:2607.23755v1cs.CV공통 태그 Pose Estimation, Sensor Fusion

DAP-Pose: 강건한 포즈 추정을 위한 심층 시간 정렬 및 물리 인식 교차 모달 센서 퓨전

DAP-Pose: Deep Temporal Alignment and Physics-aware Cross-modal Sensor Fusion for Robust Pose Estimation

복잡한 환경에서 자율주행차와 이동 로봇 시스템을 위해 다중 모달 센서를 이용한 강건하고 정확한 포즈 추정은 근본적으로 중요하다. 본 논문에서는 강건한 다중 모달 포즈 추정을 위한 통합 end-to-end 모델인 DAP-Pose를 제안한다. DAP-Pose는 시각, 관성, GNSS 측정값으로부터 상보적인 의미적 및 기하학적 움직임 단서를 포착하는 이중 수준 교차 모달 퓨전(Bi-level Cross-modal Fusion, BCF) 모듈을 도입한다. 시간 오프셋을 처리하기 위해, 잠재 공간에서 비동기 스트림을 명시적으로 정렬하여 엄격한 하드웨어 동기화 없이도 일관된 움직임 모델링을 가능하게 하는 심층 시간 정렬(Deep Temporal Alignment, DTA) 모듈을 설계했다. 또한, 매니폴드 기하학과 GNSS 기반 절대 메트릭 스케일을 통해 물리 인식 제약을 통합하여 움직임 일관성을 강제하고 드리프트를 완화한다. 공개 KITTI 벤치마크 데이터셋에서 DAP-Pose의 성능을 기존 방법들과 비교 평가하기 위한 실험을 수행했다. DAP-Pose는 최신(state-of-the-art) 성능을 달성했으며, 평균 변위 오차($t_{rel}$) 1.31%, 회전 오차($r_{rel}$) 0.46$^{\circ}$로 가장 낮은 수치를 기록했다. 또한, 인위적으로 주입된 심각한 시간 불일치 하에서도 포즈를 정확하게 추정하고 강건한 성능을 유지한다.

arXiv:2606.25111v1cs.RO공통 태그 Pose Estimation, Sensor Fusion

ADM-Fusion: 다양한 환경에서 강건한 자기 운동 추정을 위한 적응형 심층 다중 센서 융합

ADM-Fusion: Adaptive Deep Multi-Sensor Fusion for Robust Ego-Motion Estimation in Diverse Conditions

다양하고 열화된 환경에서 신뢰할 수 있는 자율 주행을 위해서는 강건한 다중 센서 융합이 필수적이며, 이러한 환경에서는 센서 신뢰도가 빠르게 변동할 수 있다. 서로 다른 모달리티는 각기 다른 방식으로 오류가 발생하기 때문에, 효과적인 융합은 고정된 가중치에 의존하지 않고 상호 보완적인 단서들을 적응적으로 균형 있게 활용해야 한다. 이러한 적응성은 자기 운동 추정(ego-motion estimation)에서 특히 중요한데, 정확한 업데이트는 상호 보완적인 센서 정보의 일관된 통합에 달려 있기 때문이다. 우리는 환경 변화와 센서 열화에 적응하도록 설계된 엔드투엔드 심층 학습(deep learning) 기반 다중 센서 융합 방법인 ADM-Fusion을 제안한다. ADM-Fusion은 콘텐츠 인식 라우팅(content-aware routing)을 갖춘 적응형 센서 전문가 혼합(MoE) 프레임워크를 활용하여 실시간으로 센서 입력에 동적으로 가중치를 할당한다. 또한 본 시스템은 교차 태스크 어텐션(attention) 메커니즘으로 결합된 별도의 이동(translation) 및 회전(rotation) 브랜치를 통합하여, 정보 공유를 가능하게 하면서도 태스크별 특화를 유지한다. ADM-Fusion은 CARLA-LOC 시뮬레이션 데이터셋(dataset)으로 학습된 후 KITTI 실세계 데이터에 대해 파인튜닝되어, 효과적인 시뮬레이션-실환경 전이(simulation-to-real transfer)를 입증한다. 실험 결과, ADM-Fusion은 열화된 조건에서도 강건성을 유지하면서 기존 방법들과 경쟁력 있는 성능을 달성함을 보여준다.

arXiv:2606.19176v1cs.RO공통 태그 Pose Estimation, Sensor Fusion

자율 해상 UAV 비행을 위한 딥 모노큘러 자세 추정의 하드웨어 및 비전 인 더 루프 검증

Hardware- and Vision-in-the-Loop Validation of Deep Monocular Pose Estimation for Autonomous Maritime UAV Flight

선상 자율 UAV 운용에는 신뢰할 수 있는 비전 기반 상대 자세 추정이 필요하지만, 해상 검증은 비용이 많이 들고 날씨에 의존적이며 위험합니다. 본 논문은 사실적인 해상 환경을 모사하면서 완전 자율 실내 비행을 가능하게 하는 하드웨어 검증된 비전 인 더 루프 프레임워크를 제시합니다. 렌더링된 해상 뷰는 딥 트랜스포머 기반 모노큘러 자세 추정기에 의해 온보드에서 처리됩니다. 지연된 비전 측정값은 지연된 칼만 필터를 사용하여 고주파 IMU 데이터와 융합되어, 기하학적 제어를 위해 일관된 상태 추정값을 제공합니다. 이 시스템은 순수 시뮬레이션에는 없는 인식 지연, 비동기 업데이트, 연산 제약 등 중요한 임베디드 효과들을 포착합니다. 자율 이륙, 궤적 추적, 착륙 실험을 통해 안정적인 폐루프 비행이 입증되었습니다. 결과는 선상 배치 전 해상 UAV 자율성을 개발하기 위한 안전하고 하드웨어 현실적인 중간 단계를 확립합니다.

arXiv:2606.22439v2cs.CV공통 태그 Pose Estimation

RGB-D 영상 및 3차 스플라인 호장 적분을 이용한 곡률 인지 온실 오이 3D 길이 추정

Curvature-aware 3D length estimation of greenhouse cucumbers using RGB-D imaging and cubic spline arc-length integration

상업용 온실 오이 생산은 과실 길이로 등급이 매겨지며, 이는 수확 일정, 노동 배치, 물류를 좌우한다. 실이나 캘리퍼를 이용한 수동 측정은 정확하지만 상업적 규모에서는 불가능하다. 본 논문은 Intel RealSense D435 RGB-D 카메라를 사용하는 비접촉 길이 추정 프레임워크 CucumberVision을 제시한다. YOLO26n 인스턴스 분할 모델이 오이를 검출하고, SAM(ViT-B 백본)이 각 검출을 픽셀 단위 정밀 마스크로 정제한다. 동일 조건에서 다섯 가지 방법을 평가한다: (M1) 주축 지배 골격 스캔라인 기준선; (M2) 바운딩 박스 깊이 포인트 클라우드에 대한 PCA; (M3) SAM 마스크와 중심축(medial-axis) 골격화; (M4) YOLO26-pose 모델로 5개의 해부학적 랜드마크(KP0--KP4)를 예측하고 구간별 3D 호장을 사용하는 하이브리드 키포인트 유도 접근; (M5) SAM 마스크의 3D 중심축을 따라 3차 스플라인을 맞추고 사다리꼴 적분으로 호장을 계산하는 새로운 medial arc spline 방법 — 긴 형태 채소 측정에 이러한 방식을 적용한 최초 사례. 모든 방법은 5프레임 버스트 깊이 평균, 컬러 스트림 내부 파라미터(intrinsic) 정렬, 계단식 폴백을 갖춘 적응형 방법 선택을 공유하여 100% 커버리지를 보장한다. 48회 촬영, 7개 오이, 3가지 크기 카테고리(소형 ~8 cm, 중형 ~13 cm, 대형 ~25 cm)에 대한 실 기반 정답(ground truth) 벤치마크는 유의한 정확도 위계를 보인다: M1(MAPE 9.68%) > M2(5.31%) > M4(5.51%) > M3(5.82%) > M5(4.13%). M5는 Bonferroni 보정 alpha=0.0125에서 모든 경쟁 방법을 유의하게 능가한다. 부가 기여로, rs.align(rs.stream.color) 이후 컬러 스트림이 아닌 깊이 스트림 내부 파라미터를 사용할 때 12--18% 길이 저과소평가가 발생한다는 점을 밝혔다 — 보고가 잘 되지 않는 오류 원천이다. 전체 시스템은 오픈 소스로 공개되었으며 단일 소비자급 GPU에서 실시간으로 동작한다.

arXiv:2607.12909v2q-bio.NC공통 태그 Pose Estimation

저전력 에지 플랫폼을 위한 비전 기반 실시간 낙상 감지

Real-time fall detection based on vision for low-power edge platforms

낙상 감지는 노인 돌봄과 지능형 감시에 필수적이지만, 기존 비전 기반 접근법은 대부분 이를 정적 자세 분류 또는 이산적 시간적 패턴 매칭으로 다루어, 인간 지지 체계의 불안정 역학을 근본적으로 간과한다. 본 논문은 낙상을 결합 동역학 시스템에서의 안정성 상실 사건으로 재정식화하는 물리 정보 기반 낙상 감지 프레임워크를 제안한다. 우리는 질량 중심(CoM) 하위 시스템과 지지 기반(BoS) 하위 시스템으로 구성된 새로운 이중 LTC 아키텍처를 도입하며, 두 하위 시스템 모두 Liquid Time-Constant(LTC) 신경망으로 구현되어 적응적 시간 상수를 통해 관성 궤적 진화와 지면 접촉 조정을 연속적으로 모델링하고 낙상 운동의 물리적 해석 가능성을 제공한다. 학습 가능한 결합 모듈은 두 하위 시스템 간의 물리적 상호작용을 모사하고, Stability Manifold 분류기는 결합 잠재 공간에서 Lyapunov 영감 안정성 지표를 통해 경계 교차를 감지한다. 보완적으로 반사실적 궤적 투영과 충돌까지의 시간(TTC) 추정은 비가역성 평가와 조기 경보를 추가로 가능하게 한다. 이 아키텍처는 3상태 예측 패러다임(정상, 낙상 중, 낙상 완료)을 지원하도록 설계되었으며, 본 예비 연구에서는 2클래스 데이터셋(정상 대 낙상)에서 핵심 안정성 판별 능력을 검증하고, 전체 3상태 시간적 전이는 향후 연구로 남긴다. 기존 CNN-RNN 파이프라인과 달리, 제안된 공식화는 연속 시간 기계적 관성을 인코딩하여 5만 미만 매개변수의 네트워크로 자원 제약 에지 장치에서 실시간 추론이 가능하다. 광범위한 실험은 우수한 물리적 해석 가능성과 함께 경쟁력 있는 정확도를 보여 주며, 저연산 시각적 낙상 감지에 대한 효과를 입증한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.