Physics-informed sensor coverage through structure preserving machine learning
作者: Benjamin David Shaffer, Brooks Kinch, Joseph Klobusicky, M. Ani Hsieh, Nathaniel Trask
分类: cs.LG, math.NA
发布日期: 2025-09-12
💡 一句话要点
提出基于物理信息的传感器覆盖方法以解决源定位问题
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting)
关键词: 源定位 数字双胞胎 机器学习 条件神经Whitney形式 传感器优化 物理约束 实时数据同化
📋 核心要点
- 现有源定位方法在复杂环境中准确性不足，难以有效利用传感器数据进行实时决策。
- 论文提出利用结构保持的数字双胞胎和条件神经Whitney形式进行源定位，实时适应传感器数据。
- 实验结果显示，采用物理约束的模型在复杂几何体中相比于物理无关的变换器架构具有更高的准确性。
📝 摘要（中文）
本文提出了一种自适应源定位的机器学习框架，利用耦合的水动力-传输系统的结构保持数字双胞胎进行实时轨迹规划和数据同化。该双胞胎通过条件神经Whitney形式（CNWF）构建，结合了有限元外微积分（FEEC）的数值保证与基于变换器的算子学习。模型保持离散守恒，并实时适应流式传感器数据。采用条件注意机制识别与传感器测量兼容的简化Whitney形式基、简化积分平衡方程和源场。通过交替评估数字双胞胎与应用Lloyd算法指导传感器布置，提出了一个分层方案，分析提供了覆盖功能单调改进的条件。实验结果表明，在施加物理约束时，模型在复杂几何体中的准确性显著提高。
🔬 方法详解
问题定义：本文旨在解决在复杂环境中源定位的准确性不足问题，现有方法未能有效利用实时传感器数据进行决策。
核心思路：通过构建结构保持的数字双胞胎，结合条件神经Whitney形式，实时适应传感器数据，从而提高源定位的准确性和稳定性。
技术框架：整体框架包括数字双胞胎的构建、条件注意机制的应用、源场的预测以及传感器布置的优化。主要模块包括数据同化、源场识别和传感器优化。
关键创新：最重要的创新在于结合了有限元外微积分的数值保证与变换器的算子学习，确保了模型的物理一致性和稳定性。
关键设计：采用条件注意机制来识别简化Whitney形式基和简化积分平衡方程，设计了交替评估和优化传感器布置的分层方案。
🖼️ 关键图片
📊 实验亮点
实验结果表明，采用物理约束的模型在复杂几何体中的准确性显著提高，相比于物理无关的变换器架构，准确性提升幅度达到未知，展示了结构保持的有效性。
🎯 应用场景
该研究在环境监测、灾害预警和智能机器人等领域具有广泛的应用潜力。通过提高源定位的准确性，能够更有效地进行资源管理和决策支持，具有重要的实际价值和未来影响。
📄 摘要（原文）
We present a machine learning framework for adaptive source localization in which agents use a structure-preserving digital twin of a coupled hydrodynamic-transport system for real-time trajectory planning and data assimilation. The twin is constructed with conditional neural Whitney forms (CNWF), coupling the numerical guarantees of finite element exterior calculus (FEEC) with transformer-based operator learning. The resulting model preserves discrete conservation, and adapts in real time to streaming sensor data. It employs a conditional attention mechanism to identify: a reduced Whitney-form basis; reduced integral balance equations; and a source field, each compatible with given sensor measurements. The induced reduced-order environmental model retains the stability and consistency of standard finite-element simulation, yielding a physically realizable, regular mapping from sensor data to the source field. We propose a staggered scheme that alternates between evaluating the digital twin and applying Lloyd's algorithm to guide sensor placement, with analysis providing conditions for monotone improvement of a coverage functional. Using the predicted source field as an importance function within an optimal-recovery scheme, we demonstrate recovery of point sources under continuity assumptions, highlighting the role of regularity as a sufficient condition for localization. Experimental comparisons with physics-agnostic transformer architectures show improved accuracy in complex geometries when physical constraints are enforced, indicating that structure preservation provides an effective inductive bias for source identification.