論文の概要: Information-Theoretic Geometry Optimization and Physics-Aware Learning for Calibration-Free Magnetic Localization

• arxiv url: http://arxiv.org/abs/2604.22526v1
• Date: Fri, 24 Apr 2026 13:12:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.465243
• Title: Information-Theoretic Geometry Optimization and Physics-Aware Learning for Calibration-Free Magnetic Localization
• Title（参考訳）: 校正自由磁化のための情報理論幾何最適化と物理認識学習
• Authors: Wenxuan Xie, Yuelin Zhang, Qingpeng Ding, Jianghua Chen, Jiewen Tan, Jiwei Shan, Shing Shin Cheng,
• Abstract要約: 本稿では,情報理論のセンサ幾何最適化と物理を意識したディープラーニングを組み合わせた統合フレームワークを提案する。 スタッガースプリットアレイトポロジーは,局所化のための観測可能性基盤を著しく向上させることを示す。 また,ハードウェア対応合成データに基づく校正自由度推定器であるPhy-GAANetを提案する。
• 参考スコア（独自算出の注目度）: 10.338483096774063
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wireless localization of permanent magnets enables occlusion-free guidance for medical interventions, yet its practical accuracy is fundamentally limited by two coupled challenges: the poor observability of conventional planar sensor arrays and the simulation-to-reality (Sim-to-Real) gap of learning-based estimators. To address these issues, this article presents a unified framework that combines information-theoretic sensor geometry optimization with physics-aware deep learning. First, a rigorous Fisher Information Matrix (FIM)-based evaluation framework is established to quantify geometry-induced observability limitations. The results show that a staggered split-array topology provides a substantially stronger observability foundation for localization while remaining compatible with practical external deployment. Second, building on this optimized sensing configuration, we propose Phy-GAANet, a calibration-free estimator trained entirely on hardware-aware synthetic data. By incorporating Physics-Informed Features (PIF) for saturation modeling and Geometry-Aware Attention (GAA) for preserving cross-layer vector structure, the network effectively bridges the Sim-to-Real gap. Extensive real-world experiments demonstrate state-of-the-art performance, achieving a position error of 1.84 mm and an orientation error of 3.18 degrees at a refresh rate exceeding 270 Hz. The proposed method consistently outperforms classical Levenberg--Marquardt solvers and generic convolutional baselines, particularly in suppressing catastrophic outliers and maintaining robustness in challenging near-field boundary regions. Beyond the proposed network, the FIM-guided analysis also provides a framework for sensor geometry design in magnetic localization systems under practical deployment constraints.
• Abstract（参考訳）: 永久磁石のワイヤレス局在化は、医学的介入に対するオクルージョンフリーガイダンスを可能にするが、その実用的精度は、従来の平面センサアレイの観測可能性の低さと学習ベース推定器のシミュレーション・トゥ・リアリティギャップという2つの複合的な課題によって根本的に制限されている。 これらの課題に対処するために,情報理論センサの幾何最適化と物理を意識した深層学習を組み合わせた統合フレームワークを提案する。 まず、厳密なフィッシャー情報マトリックス(FIM)に基づく評価フレームワークを構築し、幾何学的に誘発される観測可能性の限界を定量化する。 以上の結果から,停滞したスプリットアレイトポロジは,実際の外部展開と互換性を維持しつつ,より強力な局所化基盤を提供することが示された。 第2に、この最適化されたセンシング構成に基づいて、ハードウェア対応合成データに基づいて訓練されたキャリブレーションフリーな推定器であるPhy-GAANetを提案する。 飽和モデルのための物理インフォームド・フィーチャー(PIF)と、層間ベクトル構造を保存するための幾何学的アテンション(GAA)を組み込むことにより、ネットワークはSim-to-Realギャップを効果的に橋渡しする。 大規模な実世界の実験は最先端の性能を示し、位置誤差は1.84mm、方位誤差は3.18°でリフレッシュレートは270Hzを超える。 提案手法は古典的レバンス-マルカルト解法と一般的な畳み込み基底線を一貫して上回り、特に破滅的な外れ値の抑制と、挑戦的な近接場境界領域における堅牢性を維持する。 提案するネットワーク以外にも、FIM誘導解析は、実際の展開制約下での磁化系におけるセンサ幾何学設計のためのフレームワークも提供する。

関連論文リスト

• RoSLAC: Robust Simultaneous Localization and Calibration of Multiple Magnetometers [17.614426175742633]
  本稿では,交互最適化に基づくロSLAC手法を提案する。 最先端の磁力計校正技術と比較して計算コストを低く保ちながら、高精度なローカライゼーションを実現する。
  論文  参考訳（メタデータ） (2026-04-15T19:11:32Z)
• IoUCert: Robustness Verification for Anchor-based Object Detectors [58.35703549470485]
  IoUCertは、アンカーベースのオブジェクト検出アーキテクチャにおいて、これらのボトルネックを克服するために設計された、新しい形式的検証フレームワークである。 本手法は, SSD, YOLOv2, YOLOv3など, 現実的なアンカーベースモデルの各種入力摂動に対するロバスト性検証を可能にする。
  論文  参考訳（メタデータ） (2026-03-03T14:36:46Z)
• PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
  本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。 静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。 高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
  論文  参考訳（メタデータ） (2026-01-19T07:57:52Z)
• Physics-informed sensor coverage through structure preserving machine learning [8.009940044669191]
  適応的ソースローカライゼーションのための機械学習フレームワークを提案する。 エージェントは、リアルタイムな軌道計画とデータ同化のために結合された流体力学輸送システムの構造保存デジタルツインを使用する。
  論文  参考訳（メタデータ） (2025-09-12T15:54:13Z)
• U-PINet: End-to-End Hierarchical Physics-Informed Learning With Sparse Graph Coupling for 3D EM Scattering Modeling [28.64166932076228]
  電磁波散乱モデリングは、レーダーリモートセンシングに不可欠である。 従来の数値解法は精度が高いが、スケーラビリティの問題と計算コストに悩まされている。 これらの制約を克服するために,U字型物理情報ネットワーク (U-PINet) を提案する。
  論文  参考訳（メタデータ） (2025-08-05T12:20:42Z)
• PhySense: Sensor Placement Optimization for Accurate Physics Sensing [53.58729034895666]
  PhySenseは、物理的なフィールドを共同で再構築し、センサー配置を最適化するフレームワークである。 最先端の物理センサーの精度を達成し、以前は考えられていなかった情報的なセンサー配置を発見する。
  論文  参考訳（メタデータ） (2025-05-19T14:59:11Z)

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。