基于分子通信的嗅觉源定位学习方法

嗅觉源定位是分子通信、环境监测、灾难响应、工业安全和机器人领域的基础性挑战。本研究我们考察了三个主要方法：贝叶斯滤波、机器学习（ML）模型和基于物理信息的神经网络（PINN），旨在单源、单分子情况下的嗅觉源定位。通过将源-传感器体系结构视为发射机-接收机模型，我们探索了分子通信范围内的源定位。使用二维输运扩散偏微分方程求解器生成合成数据集，以评估各方法在不同条件下的表现，包括传感器噪声和稀疏测量。我们的实验表明，基于物理信息的神经网络（PINN）实现了$\mathbf{0.89 \times 10^{-6}}$米的最低定位误差，优于机器学习（ML）反演（$\mathbf{1.48 \times 10^{-6}}$米）和卡尔曼滤波（$\mathbf{1.62 \times 10^{-6}}$米）。强化学习（RL）方法虽然实现了$\mathbf{3.01 \times 10^{-6}}$米的定位误差，但其推断时间为$\mathbf{0.147}$秒，凸显了不同方法之间在精度和计算效率之间的权衡。