← 返回论文列表

信息论几何优化与物理感知学习用于无校准磁定位
Information-Theoretic Geometry Optimization and Physics-Aware Learning for Calibration-Free Magnetic Localization

作者: Wenxuan Xie, Yuelin Zhang, Qingpeng Ding 等7人
arXiv: 2604.22526v1
分类: cs.RO
📝 论文摘要
永磁体无线定位能够实现无遮挡的医疗干预引导，但其实际精度根本上受限于两个耦合挑战：传统平面传感器阵列的低可观测性以及基于学习的估计器的仿真到现实（Sim-to-Real）差距。为解决这些问题，本文提出一个统一框架，将信息论驱动的传感器几何优化与物理感知深度学习相结合。首先，建立了基于费雪信息矩阵（FIM）的严格评估框架，以量化几何引起的可观测性限制。结果表明，交错分裂阵列拓扑在保持与外部部署兼容性的同时，为定位提供了显著更强的可观测性基础。其次，基于此优化传感配置，我们提出Phy-GAANet——一种完全在硬件感知合成数据上训练的无校准估计器。通过引入用于饱和建模的物理信息特征（PIF）和用于保持跨层向量结构的几何感知注意力（GAA），该网络有效弥合了Sim-to-Real差距。大量真实世界实验展示了最先进的性能，在超过270 Hz的刷新率下实现了1.84毫米的位置误差和3.18度的方向误差。所提方法持续优于经典Levenberg-Marquardt求解器和通用卷积基线，尤其是在抑制灾难性异常值和在具有挑战性的近场边界区域保持鲁棒性方面。除所提网络外，FIM引导分析还为实际部署约束下的磁定位系统传感器几何设计提供了框架。

📊 核心分析

🎯 研究动机
- 永磁体无线定位精度受限于两个耦合挑战：传统平面传感器阵列的**可观测性(observability)**差，以及基于学习的估计器的**仿真到现实(Sim-to-Real)**差距 - 现有方法难以同时优化传感器几何和弥合仿真与现实差异，导致实际精度不足 - 需要统一框架，从信息论角度优化传感器部署，并结合物理感知学习实现无校准高精度定位
🔧 核心方法
- 建立基于**Fisher信息矩阵(FIM)**的评估框架，量化传感器几何引起的可观测性限制，发现**错列分割阵列(staggered split-array)**拓扑能提供更强的可观测性基础 - 提出 **Phy-GAANet**，一种完全在硬件感知合成数据上训练的无校准估计器，无需真实标定数据 - 引入**物理信息特征(Physics-Informed Features, PIF)**进行磁场饱和建模，以及**几何感知注意力(Geometry-Aware Attention, GAA)**保持跨层矢量结构，共同弥合Sim-to-Real差距
💡 核心创新
- **信息论几何优化**：首次使用**Fisher信息矩阵(FIM)**严格比较不同传感器阵列拓扑对可观测性的影响，并证明错列分割阵列的优越性 - **物理感知深度学习融合**：将物理先验（饱和建模）和几何注意力（矢量结构保持）嵌入**Phy-GAANet**，实现无需真实校正数据的端到端估计 - **高性能无校准定位**：在真实实验中达到1.84 mm位置误差、3.18度方向误差，刷新率>270 Hz，在抑制离群值和近场边界鲁棒性上显著优于**Levenberg-Marquardt求解器**和通用卷积基线
🏆 总体贡献
- 提出统一框架，同时优化传感器几何配置和估计器设计，系统性解决了磁定位中的可观测性与Sim-to-Real差距挑战 - 提供**FIM引导的传感器几何设计准则**，为实际部署中的阵列布局提供理论依据 - 在真实场景中达到**最优性能(SOTA)**，尤其是对灾难性离群值的抑制和近场边界鲁棒性，有助于临床磁定位的实际应用 - 方法无需耗时的现场校准，降低了系统部署门槛，并促进可复现研究