理论数据驱动的MobilePosenet: 用于精确免校准5自由度磁定位的轻量级神经网络
机器人学
2025-01-07 v1
摘要
使用外部传感器阵列的永磁体跟踪对于无线胶囊内窥镜机器人的精确定位至关重要。基于磁偶极子模型和Levenberg-Marquardt（LM）算法的传统跟踪算法面临计算延迟和需要初始位置估计的挑战。最近提出的基于神经网络的方法通常需要大量的硬件校准和真实世界数据收集，这既耗时又费力。为了解决这些挑战，我们提出了MobilePosenet，一种轻量级神经网络架构，利用深度可分离卷积最小化计算成本，并利用通道注意力机制提高定位精度。此外，网络的输入整合了传感器的坐标信息和随机噪声，补偿了理论模型与实际磁场之间的差异，从而允许MobilePosenet完全在理论数据上进行训练。在90×90×80 mm工作空间内进行的实验评估表明，与基于真实世界数据训练的最先进方法相比，MobilePosenet表现出优异的5自由度定位精度（1.54±1.03 mm和2.24±1.84°）和推理速度（0.9 ms）。由于网络训练仅依赖理论数据，MobilePosenet可以消除硬件校准和真实世界数据收集过程，提高了这种永磁体定位方法的泛化能力，并具有在不同临床环境中快速采用的潜力。
引用
@article{arxiv.2501.02809,
title = {Theoretical Data-Driven MobilePosenet: Lightweight Neural Network for Accurate Calibration-Free 5-DOF Magnet Localization},
author = {Wenxuan Xie and Yuelin Zhang and Jiwei Shan and Hongzhe Sun and Jiewen Tan and Shing Shin Cheng},
journal= {arXiv preprint arXiv:2501.02809},
year = {2025}
}
备注
9 pages, 5 figures