Magnetic-Field-Based Position Sensing Using Machine Learning

Abstract

磁场广泛用于短距离无线应用，例如传感器系统和通信系统;
为了进一步挖掘此类使用磁场的系统的潜力，作者研究了产生磁场的移动设备在位置检测中的可行性;
该原理涉及通过对位于目标空间周围的多个磁场传感器检测到的数据进行分析来估计设备的位置；
在这项研究中，作者是通过数值计算获得传感器数据，并使用机器学习对其来分析；
结果表明，机器学习有效地估计了移动设备的位置；
根据我们的模拟，对于73％的移动设备状态，使用机器学习方法估算的位置在2×2×2-m³的立方空间中,误差在10 cm以内；
预测的精度超过了传统优化方法所获得的精度，对于高于30 dB的信噪比，甚至可以通过机器学习方法保持获得的预测精度；
此外，可以通过对针对移位的传感器获得的数据进行训练，来恢复由于传感器移位而引起的预测精度的降低；
计算速度层面来说，机器学习方法比传统方法快了30倍；
得到的结果证明了基于磁场的系统对移动人员和物体的实时跟踪的这一可行性。

1. Introduction

1.1. Background

磁场广泛用于短距离无线应用，例如射频识别(RFID: radiofrequency identification)、近场通信(NFC: near-field communication)和智能钥匙系统；
磁场系统的一个重要特征是系统性能稳定，几乎不受系统周围环境的影响；
稳定性和可靠性源自无线电波所不具备的准磁磁场的物理特性；
具体来说，无线电波系统的性能不稳定，由于多径效应，它很大程度上取决于周围的环境；
在下文中，我们将“磁准静态磁场”简称为“磁场”；
认为具有稳定性和可靠性的磁场系统适用于位置感应；
实际上，各种研究报告了在位置感应中使用磁场的有效性；此外，各种各样的磁场传感器被广泛应用；

1.2. Research Gap

在位置感测系统中，必须将多个传感器收集的磁场数据转换为目标设备的位置数据；
转换不是一个简单的问题，因为它是一个非线性逆问题；
数据转换的常规方法可以分为两类：
1. 一种常规方法涉及使用闭式公式根据传感器数据直接计算位置数据，封闭形式方法的优点是数据转换的速度，这种方法可以实时跟踪运动对象；
  - 但是，仅针对特定的传感器配置（例如传感器线圈的数量，位置和角度）才能获得封闭形式的公式；
  - 因此，封闭形式的方法仅适用于具有特定传感器配置的系统，因此，这使我们无法灵活设计系统；
2. 另一种方法是将反问题简化为优化问题：
  - 换句话说，我们可以通过最小化目标函数来根据传感器数据估算目标设备的位置；
  - 优化方法适用于任何传感器配置；
  - 优化方法的缺点是解决最小化问题所需的相对较长的计算时间。通常大约需要100毫秒；
  - 当我们假设将优化方法应用于实时跟踪系统时，希望将计算时间减少到几十毫秒以下；
3. 最近，机器学习已成为一种流行的技术，已被证明对各种估计问题均有效：
  - 但是，机器学习尚未应用于基于磁场的感应中的位置估计；
  - 机器学习可用于获取数字功能，这些数字功能可从输入的传感器数据中输出位置数据；
  - 在这项研究中，我们将数值函数称为“预测函数”；
  - 可以预期，估计所需的计算时间将大大减少，因为预测函数直接从传感器数据计算位置数据；
  - 此外，机器学习可以应用于任何传感器配置。因此，这种机器学习方法也具有灵活性

1.3. Study Purpose

获得可靠的预测器功能的关键是获取足够数量的训练样本;
对于大多数机器学习应用程序而言，这并不容易，因为通常只能通过实际测量来获得训练样本;
但是，将机器学习应用于基于磁场的位置感测并不一定需要获取训练样本，因为可以通过简单地计算传感器检测到的磁场来获得训练样本。
另外，该计算不是太复杂，因为它不是反问题，而是正问题；
已知通过磁场计算获得的数据非常精确，并且与实验数据一致；
因此，无需实验即可获得许多可靠的训练样本。在这方面，机器学习非常适合使用磁场进行位置估计；
在这项研究中，我们讨论了将机器学习应用于使用磁场的位置估计的有效性；

2. PRINCIPLES OF POSITION SENSING

作者考虑图1所示的情况。磁场传感器（从S1到S4）位于房间的四个角落；

image.png
传感器可以测量磁场矢量的所有分量，即B_x，B_y和B_z。我们假设目标对象具有带线圈的磁场发射器（TX：magnetic-field transmitter）。
显然，由四个传感器检测到的磁场取决于TX线圈的位置和方向；
线圈的位置由笛卡尔坐标系的三个参数（即x，y和z）指定；
此外，TX线圈的方向由极角和方位角即θ和φ确定；
随后，第k个传感器（k = 1、2、3、4）检测到的磁场矢量表示为：
$B^{(k)}=\left[ \begin{matrix} B_x^{(k)}(x(t), y(t), z(t), θ (t), ϕ(t))\\ B_y^{(k)}(x(t), y(t), z(t), θ (t), ϕ(t))\\ B_z^{(k)}(x(t), y(t), z(t), θ (t), ϕ(t))\\ \end{matrix} \right]$
值得注意的是，五个参数x, y, z, θ, φ都与TX线圈相关；
众所周知，发射线圈周围的磁场分布可以被精确计算出；相反，可以通过分析由四个传感器检测到的B^(k)来估计发射器的位置；
可以用来估计TX位置的一种有前途的方法是机器学习。通过这种方法，可以按以下方式获得训练样本：

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