[论文解读] Modeling and interpolation of the ambient magnetic field by Gaussian processes

Arno Solin, Manon Kok+3 more|arXiv (Cornell University)|Sep 15, 2015

Gaussian Processes and Bayesian Inference被引用 5

一句话总结

本文提出了一种基于高斯过程（GPs）的贝叶斯非参数方法，利用基于麦克斯韦方程的物理解释先验来建模和插值环境磁场。通过将磁场建模为潜在标量势函数，并借助希尔伯特空间表示法，该方法实现了高效、可扩展且计算上可行的插值与在线更新，在使用智能手机和移动机器人的真实室内地图构建中表现出色。

ABSTRACT

Anomalies in the ambient magnetic field can be used as features in indoor positioning and navigation. By using Maxwell's equations, we derive and present a Bayesian non-parametric probabilistic modeling approach for interpolation and extrapolation of the magnetic field. We model the magnetic field components jointly by imposing a Gaussian process (GP) prior on the latent scalar potential of the magnetic field. By rewriting the GP model in terms of a Hilbert space representation, we circumvent the computational pitfalls associated with GP modeling and provide a computationally efficient and physically justified modeling tool for the ambient magnetic field. The model allows for sequential updating of the estimate and time-dependent changes in the magnetic field. The model is shown to work well in practice in different applications: we demonstrate mapping of the magnetic field both with an inexpensive Raspberry Pi powered robot and on foot using a standard smartphone.

研究动机与目标

• 开发一种基于贝叶斯非参数方法的物理合理、概率化的模型，用于插值和外推室内磁场。
• 将麦克斯韦方程的物理约束——特别是静磁场所具有的无旋特性——整合进高斯过程框架中。
• 通过使用拉普拉斯算子的特征基在希尔伯特空间中重新表述高斯过程，实现大规模磁场制图的计算高效推理。
• 支持顺序、在线估计磁场，以应对移动家具等时间变化的干扰。
• 使用低成本传感器（如智能手机和轮式机器人）在真实场景中验证该方法。

提出的方法

• 在潜在标量势函数上施加高斯过程先验，确保生成的磁场无旋，且与静磁学的麦克斯韦方程一致。
• 通过拉普拉斯算子的特征函数在希尔伯特空间中重新表述模型，实现与观测数量成线性关系的计算复杂度。
• 通过在高斯过程框架中将地磁场建模为偏置项，显式考虑地磁场的影响。
• 采用顺序推理方案，支持实时更新并适应磁场的时间变化。
• 该方法支持批量和在线估计，通过边际方差可视化不确定性，以透明度形式呈现于场地图中。
• 该框架被扩展以比较不同高斯过程先验：独立、共享超参数以及无旋（标量势）模型。

实验结果

研究问题

• RQ1 基于麦克斯韦方程的物理动机高斯过程先验是否能提升室内磁场插值的准确性？
• RQ2 引入潜在标量势函数在建模矢量场分量方面，相较于独立或共享超参数高斯过程先验，是否能带来建模性能的提升？
• RQ3 高斯过程模型在希尔伯特空间中的重表述是否能在保持磁场制图精度的同时实现线性计算复杂度？
• RQ4 该方法在真实环境中支持时间变化磁场的在线、顺序估计的程度如何？
• RQ5 在智能手机和移动机器人采集的真实传感器数据上，该方法与基线方法相比，在准确性和鲁棒性方面表现如何？

主要发现

• 基于标量势的高斯过程模型在插值准确性上显著优于独立和共享超参数的高斯过程模型，尤其是在尊重物理约束时表现更优。
• 基于希尔伯特空间的推理方案实现了线性计算复杂度 O(N)，使其可扩展至密集磁场测量的大规模数据集。
• 该方法成功利用步行时的智能手机对室内磁场进行制图，实现了高精度的空间插值并量化了不确定性。
• 基于轮式机器人的在线制图系统展示了低延迟的实时、顺序磁场估计更新。
• 该模型有效捕捉了基准磁场变化，并能适应随时间变化的扰动，如移动家具或设备引起的磁场变化。
• 仿真结果证实，引入物理知识（无旋场）可提升外推性能，并降低未测量区域的不确定性。