利用合成数据监督学习实现鲁棒的 5 自由度磁标记定位
机器学习
2024-03-26 v2
摘要
追踪无源磁标记在医疗与机器人领域起着至关重要的作用，有潜力显著提升系统的精度与效率。该技术是开发更智能、更具响应性的工具与设备的关键，例如增强型手术器械、精确诊断工具以及具有改进环境交互能力的机器人。然而，传统上磁标记的追踪由于需要迭代优化过程而计算开销大。此外，这些方法依赖磁偶极子模型作为优化函数，当非球形磁体与传感器间距较短时，该模型存在显著不准确性，从而导致不精确的结果。我们的论文引入了一种新方法，利用神经网络规避这些限制，直接推断标记的位置与朝向，在单步中准确确定磁体的 5 自由度而无需初始估计。尽管我们的方法需要广泛的监督训练阶段，我们通过引入一种计算更高效的方法，使用有限元方法仿真生成合成但真实的数据来缓解这一问题。快速且准确推断的优势远超离线训练准备的成本。在我们的评估中，我们使用不同的圆柱形磁体，由 16 个传感器组成的方形阵列追踪。我们在面向神经网络的便携式单板计算机上执行传感器读取与位置推断，确保紧凑的设置。我们以基于视觉的地面真值数据作为原型基准，在 0.2×0.2×0.15 m 工作空间内实现了 4 mm 的平均位置误差和 8 度的朝向误差。这些结果展示了我们的原型在追踪 5 自由度时有效平衡精度与紧凑性的能力。
引用
@article{arxiv.2211.07556,
title = {Utilizing Synthetic Data in Supervised Learning for Robust 5-DoF Magnetic Marker Localization},
author = {Mengfan Wu and Thomas Langerak and Otmar Hilliges and Juan Zarate},
journal= {arXiv preprint arXiv:2211.07556},
year = {2024}
}