Magnetic-Field-Based Position Sensing Using Machine Learning

Abstract

磁場廣泛用于短距離無線應用，例如傳感器系統(tǒng)和通信系統(tǒng);
為了進一步挖掘此類使用磁場的系統(tǒng)的潛力缓窜，作者研究了產生磁場的移動設備在位置檢測中的可行性;
該原理涉及通過對位于目標空間周圍的多個磁場傳感器檢測到的數(shù)據(jù)進行分析來估計設備的位置管闷；
在這項研究中粥脚，作者是通過數(shù)值計算獲得傳感器數(shù)據(jù)，并使用機器學習對其來分析包个；
結果表明刷允，機器學習有效地估計了移動設備的位置；
根據(jù)我們的模擬碧囊，對于73％的移動設備狀態(tài)树灶，使用機器學習方法估算的位置在2×2×2-m³的立方空間中,誤差在10 cm以內；
預測的精度超過了傳統(tǒng)優(yōu)化方法所獲得的精度呕臂，對于高于30 dB的信噪比破托，甚至可以通過機器學習方法保持獲得的預測精度；
此外歧蒋，可以通過對針對移位的傳感器獲得的數(shù)據(jù)進行訓練土砂，來恢復由于傳感器移位而引起的預測精度的降低；
計算速度層面來說谜洽，機器學習方法比傳統(tǒng)方法快了30倍萝映；
得到的結果證明了基于磁場的系統(tǒng)對移動人員和物體的實時跟蹤的這一可行性。

1. Introduction

1.1. Background

磁場廣泛用于短距離無線應用阐虚，例如射頻識別(RFID: radiofrequency identification)序臂、近場通信(NFC: near-field communication)和智能鑰匙系統(tǒng)；
磁場系統(tǒng)的一個重要特征是系統(tǒng)性能穩(wěn)定实束，幾乎不受系統(tǒng)周圍環(huán)境的影響奥秆；
穩(wěn)定性和可靠性源自無線電波所不具備的準磁磁場的物理特性；
具體來說咸灿，無線電波系統(tǒng)的性能不穩(wěn)定构订，由于多徑效應，它很大程度上取決于周圍的環(huán)境避矢；
在下文中悼瘾，我們將“磁準靜態(tài)磁場”簡稱為“磁場”；
認為具有穩(wěn)定性和可靠性的磁場系統(tǒng)適用于位置感應审胸；
實際上亥宿，各種研究報告了在位置感應中使用磁場的有效性；此外砂沛，各種各樣的磁場傳感器被廣泛應用烫扼；

1.2. Research Gap

在位置感測系統(tǒng)中，必須將多個傳感器收集的磁場數(shù)據(jù)轉換為目標設備的位置數(shù)據(jù)尺上；
轉換不是一個簡單的問題材蛛，因為它是一個非線性逆問題圆到；
數(shù)據(jù)轉換的常規(guī)方法可以分為兩類：
1. 一種常規(guī)方法涉及使用閉式公式根據(jù)傳感器數(shù)據(jù)直接計算位置數(shù)據(jù)怎抛，封閉形式方法的優(yōu)點是數(shù)據(jù)轉換的速度卑吭，這種方法可以實時跟蹤運動對象；
  - 但是马绝，僅針對特定的傳感器配置（例如傳感器線圈的數(shù)量豆赏，位置和角度）才能獲得封閉形式的公式；
  - 因此富稻，封閉形式的方法僅適用于具有特定傳感器配置的系統(tǒng)掷邦，因此，這使我們無法靈活設計系統(tǒng)椭赋；
2. 另一種方法是將反問題簡化為優(yōu)化問題：
  - 換句話說抚岗，我們可以通過最小化目標函數(shù)來根據(jù)傳感器數(shù)據(jù)估算目標設備的位置；
  - 優(yōu)化方法適用于任何傳感器配置哪怔；
  - 優(yōu)化方法的缺點是解決最小化問題所需的相對較長的計算時間宣蔚。通常大約需要100毫秒；
  - 當我們假設將優(yōu)化方法應用于實時跟蹤系統(tǒng)時认境，希望將計算時間減少到幾十毫秒以下胚委；
3. 最近，機器學習已成為一種流行的技術叉信，已被證明對各種估計問題均有效：
  - 但是亩冬，機器學習尚未應用于基于磁場的感應中的位置估計；
  - 機器學習可用于獲取數(shù)字功能硼身，這些數(shù)字功能可從輸入的傳感器數(shù)據(jù)中輸出位置數(shù)據(jù)硅急；
  - 在這項研究中，我們將數(shù)值函數(shù)稱為“預測函數(shù)”佳遂；
  - 可以預期营袜，估計所需的計算時間將大大減少，因為預測函數(shù)直接從傳感器數(shù)據(jù)計算位置數(shù)據(jù)讶迁；
  - 此外连茧，機器學習可以應用于任何傳感器配置。因此巍糯，這種機器學習方法也具有靈活性

1.3. Study Purpose

獲得可靠的預測器功能的關鍵是獲取足夠數(shù)量的訓練樣本;
對于大多數(shù)機器學習應用程序而言啸驯，這并不容易，因為通常只能通過實際測量來獲得訓練樣本;
但是祟峦，將機器學習應用于基于磁場的位置感測并不一定需要獲取訓練樣本罚斗，因為可以通過簡單地計算傳感器檢測到的磁場來獲得訓練樣本。
另外宅楞，該計算不是太復雜针姿，因為它不是反問題袱吆，而是正問題；
已知通過磁場計算獲得的數(shù)據(jù)非常精確距淫，并且與實驗數(shù)據(jù)一致绞绒；
因此，無需實驗即可獲得許多可靠的訓練樣本榕暇。在這方面蓬衡，機器學習非常適合使用磁場進行位置估計；
在這項研究中彤枢，我們討論了將機器學習應用于使用磁場的位置估計的有效性狰晚；

2. PRINCIPLES OF POSITION SENSING

作者考慮圖1所示的情況。磁場傳感器（從S1到S4）位于房間的四個角落缴啡；

image.png
傳感器可以測量磁場矢量的所有分量壁晒，即B_x，B_y和B_z业栅。我們假設目標對象具有帶線圈的磁場發(fā)射器（TX：magnetic-field transmitter）秒咐。
顯然，由四個傳感器檢測到的磁場取決于TX線圈的位置和方向式镐；
線圈的位置由笛卡爾坐標系的三個參數(shù)（即x反镇，y和z）指定；
此外娘汞，TX線圈的方向由極角和方位角即θ和φ確定歹茶；
隨后，第k個傳感器（k = 1你弦、2惊豺、3、4）檢測到的磁場矢量表示為：
$B^{(k)}=\left[ \begin{matrix} B_x^{(k)}(x(t), y(t), z(t), θ (t), ?(t))\\ B_y^{(k)}(x(t), y(t), z(t), θ (t), ?(t))\\ B_z^{(k)}(x(t), y(t), z(t), θ (t), ?(t))\\ \end{matrix} \right]$
值得注意的是禽作，五個參數(shù)x, y, z, θ, φ都與TX線圈相關尸昧；
眾所周知，發(fā)射線圈周圍的磁場分布可以被精確計算出旷偿；相反烹俗，可以通過分析由四個傳感器檢測到的B^(k)來估計發(fā)射器的位置；
可以用來估計TX位置的一種有前途的方法是機器學習萍程。通過這種方法幢妄，可以按以下方式獲得訓練樣本：

$B_x^{(k)}, B_x^{(k)}, B_x^{(k)}→ x(t), y(t), z(t)$