Bidirectional Uncertainty-Driven Active Learning for Data-Efficient Permanent Magnetic Localization

Qiyu Yang

doi:10.1109/tim.2026.3742036

Bidirectional Uncertainty-Driven Active Learning for Data-Efficient Permanent Magnetic Localization

2026-10-09

0

PRE

AI

DOI：10.1109/tim.2026.3742036

原文链接

原文求助

摘要

En 中文

均匀采样在永久磁体定位（PML）中未能有效捕捉高阶非线性及信噪比的空间变化，导致数据采集冗余。本文提出一种结合双向不确定性度量（BiUM）与专家混合（MoE）架构的主动学习框架。BiUM基于互信息原理，融合磁场生成和位姿推断的不确定性对候选样本进行排序。MoE架构通过BiUM引导的采样顺序训练区域专家，随后联合所有专家及门控网络进行微调。在自主五轴PML平台上的舌头运动追踪实验表明，该方法将采样时间缩短49%，同时达到与全数据训练的最先进方法相当的精度。代码可从https://github.com/Wen-Roc/BiUM-Active-Learning获取。

Keyword:

Permanent magnetic localization (PML)

active learning (AL)

mixture-of-experts (MoE)

Bidirectional Uncertainty-Driven Active Learning for Data-Efficient Permanent Magnetic Localization

摘要

期刊

机构

引用论文