物理感知神经网络：磁导航中的去噪
机器学习
2026-05-13 v2
摘要
磁异常导航利用地球磁场的微小变化，是GPS不可用或受损时的一种有前景的替代方案。机载系统在提取地磁场数据时面临一个关键挑战：飞机本身会感应出磁噪声。尽管经典的Tolles-Lawson模型解决了这个问题，但它不能充分处理导航所需的随机损坏的磁数据。为了处理随机噪声，我们提出使用两个基于物理的约束：无散度矢量场和E(3)-等变性。这些确保了学习到的磁场遵守麦克斯韦方程，并且输出随传感器位置和方向正确变换。无散度约束通过训练神经网络输出矢量势A来实现，磁场定义为其旋度。对于E(3)-等变性，我们使用通过球谐函数表示的几何张量的张量积，并已知旋转变换。强制物理一致性并限制允许的函数空间充当隐式正则化器，提高了时空性能。我们提供了消融研究，分别在CNN、MLP、LTC和Contiformer上评估每个约束以及联合评估。连续时间动力学和长期记忆对于建模磁时间序列至关重要；Contiformer提供了这两者，优于现有方法。为了缓解数据稀缺性，我们使用世界磁场模型 (WMM) 和时间序列条件GAN生成合成数据集，在各种轨迹和环境上产生逼真、时间一致的磁序列。实验表明，嵌入这些约束显著提高了预测准确性和物理合理性，优于经典和无约束的深度学习方法。致谢：这项工作是与Dirac Labs合作完成的。
引用
@article{arxiv.2602.13690,
title = {Physics Aware Neural Networks: Denoising for Magnetic Navigation},
author = {Aritra Das and Yashas Shende and Muskaan Chugh and Reva Laxmi Chauhan and Arghya Pathak and Debayan Gupta},
journal= {arXiv preprint arXiv:2602.13690},
year = {2026}
}