Theoretical Data-Driven MobilePosenet: Lightweight Neural Network for Accurate Calibration-Free 5-DOF Magnet Localization

要約

外部センサー アレイを使用した永久磁石追跡は、ワイヤレス カプセル内視鏡ロボットの位置を正確に特定するために重要です。
磁気双極子モデルとレーベンバーグ・マルカート (LM) アルゴリズムに基づく従来の追跡アルゴリズムは、計算遅延と初期位置推定の必要性に関する課題に直面しています。
最近提案されたニューラル ネットワーク ベースのアプローチでは、多くの場合、大規模なハードウェア キャリブレーションと現実世界のデータ収集が必要となり、時間と労力がかかります。
これらの課題に対処するために、私たちは、深さ方向に分離可能な畳み込みを活用して計算コストを最小限に抑え、位置特定精度を向上させるチャネル アテンション メカニズムを活用する軽量ニューラル ネットワーク アーキテクチャである MobilePosenet を提案します。
さらに、ネットワークへの入力にはセンサーの座標情報とランダム ノイズが統合され、理論モデルと実際の磁場の差異が補償されるため、MobilePosenet を完全に理論データに基づいてトレーニングできるようになります。
\(90 \times 90 \times 80\) mm のワークスペースで行われた実験評価では、MobilePosenet が優れた 5-DOF 位置特定精度 ($1.54 \pm 1.03$ mm および $2.24 \pm 1.84^{\circ}$) と推論速度を示すことが実証されました。
(0.9 ミリ秒) 実世界のデータでトレーニングされた最先端の手法と比較します。
ネットワークトレーニングは理論上のデータのみに依存するため、MobilePosenet ではハードウェアのキャリブレーションと現実世界のデータ収集プロセスが不要になり、この永久磁石位置特定方法の汎用性が向上し、さまざまな臨床設定での迅速な導入の可能性が高まります。

要約(オリジナル)

Permanent magnet tracking using the external sensor array is crucial for the accurate localization of wireless capsule endoscope robots. Traditional tracking algorithms, based on the magnetic dipole model and Levenberg-Marquardt (LM) algorithm, face challenges related to computational delays and the need for initial position estimation. More recently proposed neural network-based approaches often require extensive hardware calibration and real-world data collection, which are time-consuming and labor-intensive. To address these challenges, we propose MobilePosenet, a lightweight neural network architecture that leverages depthwise separable convolutions to minimize computational cost and a channel attention mechanism to enhance localization accuracy. Besides, the inputs to the network integrate the sensors’ coordinate information and random noise, compensating for the discrepancies between the theoretical model and the actual magnetic fields and thus allowing MobilePosenet to be trained entirely on theoretical data. Experimental evaluations conducted in a \(90 \times 90 \times 80\) mm workspace demonstrate that MobilePosenet exhibits excellent 5-DOF localization accuracy ($1.54 \pm 1.03$ mm and $2.24 \pm 1.84^{\circ}$) and inference speed (0.9 ms) against state-of-the-art methods trained on real-world data. Since network training relies solely on theoretical data, MobilePosenet can eliminate the hardware calibration and real-world data collection process, improving the generalizability of this permanent magnet localization method and the potential for rapid adoption in different clinical settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google