前沿技术探索

为什么需要旋转不变？

地磁指纹定位利用建筑物钢结构对地磁场的固有畸变实现无基础设施定位。但原始三轴磁力计读数 (Mx, My, Mz) 是设备坐标系下的向量 — 手持设备的姿态（横竖屏、装兜方向、机器人安装角）一旦改变，同一位置的指纹就完全对不上。经典解决方案要求"建图与定位姿态一致"，这在真实使用中几乎不可满足。MagNet 研究给出了定量结论：3D 原始输入在 90° 固定旋转下，平均绝对误差从约 0.3 m 恶化到 13~14 m（约 40 倍），且各旋转轴均如此。

图 1 · 原始三轴数据随设备旋转而改变；磁场范数与重力轴投影在任意持机姿态下保持不变

核心方案：两个数替代三个分量

MagNet 从旋转群的对称性出发，将三维磁场向量压缩为两个旋转不变标量特征 — 丢弃一维信息，换来对设备旋转的完全免疫。

① 磁场范数 Mₙ = |M| = √(Mx² + My² + Mz²)
对任意三维旋转（含镜像）严格不变，刻画磁场强度指纹

② 重力轴投影 Mₖ = M · ̲g⃗ / |̲g⃗|
g 由加速度计估计；对绕重力轴的旋转（偏航）严格不变，保留垂直方向磁场信息 — 正是"可辨楼层"的特征基础

🎯

严格数学不变性

特征在输入网络前完成旋转归一化，不依赖网络"学习"鲁棒性 — 无论设备如何旋转，输入表征完全一致，误差曲线恒定不随旋转角增长

📐

信息取舍的定量依据

大型建筑（指纹独特性强）中 2D 特征即使零旋转也更优（Loomis：1.46 m vs 1.96 m）；中小建筑存在 5~6° 交叉阈值 — 真实手持使用几乎必然超过该阈值

🧩

工程意义

建图与定位阶段无需任何姿态约束或对齐标定；众包建图（训练/测试数据均带随机旋转）场景下 2D 特征同样稳定，直接支持低成本规模化采集

MagNet 网络架构

7 层膨胀一维卷积网络，输入 200 个采样点（50 Hz × 4 s 滑动窗口）的磁场特征序列，直接回归 (x, y) 坐标 — 无需初始位置估计，天然解决"迷航机器人"问题（区别于 CNN+RNN 混合方案）。

图 2 · MagNet 端到端架构：旋转不变特征 → 膨胀 CNN → 直接坐标回归，及其与棘岚 PDR 融合管线的结合方式

为什么膨胀率指数递增？ 7 层、膨胀率 1→64、卷积核 5→20 的组合使感受野 R ≈ 1 + (k−1)(2ⁿ−1) ≈ 255，恰好覆盖 200 样本输入窗口；浅层学习局部磁场纹理、深层覆盖整段序列的全局模式，同时缓解小卷积核 + 高膨胀率的网格化伪影。这正是序列回归任务上膨胀 CNN 优于普通 CNN 的关键设计。

实验验证（MagPie 基准）

MagPie 是伊利诺伊大学厄巴纳-香槟分校（UIUC）发布的公开地磁定位基准：3 栋建筑（大/中/小）、手持与机器人双平台、约 689 ㎡覆盖、50 Hz 磁力计 + 200 Hz IMU，配有厘米级真值。MagNet 在该基准上与此前 SOTA 系统对比：

建筑（规模）	CNN+RNN（IPIN 2021）	前作（ICCAI 2025）	MagNetS（360k）	MagNetXL（1M）
CSL（小型）	0.30 m	0.22 m	0.22 m	0.21 m
Talbot（中型）	1.06 m	0.82 m	0.66 m	0.64 m
Loomis（大型）	1.07 m	1.98 m	2.13 m	1.96 m

平均绝对误差 MAE（米），原始 MagPie 无旋转测试集 · 绿色为同列最优

🔄

3D 输入：旋转即崩溃

90° 固定旋转（模拟装兜姿态变化）下 MAE 从约 0.3 m 升至 13~14 m，X/Y/Z 各轴无差别；随机旋转（模拟自然手部晃动）下误差随标准差单调增长至约 11 m

🛡️

2D 不变特征：误差恒定

(Mn, Mg) 输入在任意旋转幅度下 MAE 保持不变；交叉阈值后全面超越 3D 输入 — 大型建筑 0°、中型 5°、小型 6°，真实手持使用旋转远超此阈值

客观局限（审慎评估）： 结果基于单一公开数据集；Mₖ 依赖加速度计对重力方向的估计，行走中的倾斜抖动（约 2~5°）对实际阈值的影响未做噪声注入实验；众包建图（训练/测试均旋转）场景下 2D 特征依然稳定，但跨设备传感器差异未纳入评估。这些是工程化落地前需在自有场景复验的点。

轻量化：MagNetS 端侧部署

MagNetS 以约 36 万参数（约 1/3 于 MagNetXL）取得几乎相同的精度，是面向移动端的关键版本：

📱

智能手机 / 可穿戴

INT8 量化后模型体积约 0.4 MB 级，单窗推理为毫秒级 1D 卷积，可在手机 NPU/DSP 或穿戴 MCU 上实时运行，与 PDR 航位推算在线融合

🤖

巡检机器人 / AGV

无需初始位置估计的特性直接解决"迷航机器人"重定位问题；与轮式里程计互补，在金属货架密集的仓储场景中磁场指纹特征尤为显著

🏗️

无基础设施规模化

定位侧只需一颗磁力计 + 加速度计 — 与棘岚现有无源定位终端（BLE/LoRa/4G 回传）天然兼容，磁场建图可由众包采集方式低成本更新

论文与开源资源

本专题引用的核心文献与数据集。注：MagNet 论文截至 2026-09 暂无官方代码仓库发布，MagPie 提供官方数据集与社区 Forum 仓库，可直接基于 PyTorch/TensorFlow 按上述架构复现。

Magnetic Indoor Localization through CNN Regression and Rotation Invariance核心论文

Helge Rosé, Konstantin Klipp, Tom Koubek (Fraunhofer FOKUS) · Bernd Schäufele, Ilja Radusch (DCAITI, TU Berlin) · ICMCR 2026 · arXiv:2604.22896 · DOI: 10.1109/ICMCR69541.2026.11533953 — 提出 (Mn, Mg) 旋转不变特征与 MagNetS/XL 膨胀 CNN，MagPie 全基准评估旋转敏感性

MagPIE: A Dataset for Indoor Positioning with Magnetic Anomalies数据集

Hanley et al., UIUC · IPIN 2017 · 3 栋建筑 / 689 ㎡ / 手持 + 机器人 / 50 Hz 磁力计 · 社区仓库：github.com/hanley6/MagPIE2Forum（数据问题反馈与代码分享）

Rotation-invariant magnetic features for inertial indoor-localization前作 · 特征奠基

Klipp, Rosé, Willaredt, Sawade, Radusch · IEEE IPIN 2018, pp. 1–10 — 首次提出磁场范数 + 重力轴投影用于惯性室内定位，本文为其 CNN 化的系统性验证

Magnetic field sensing for pedestrian and robot indoor positioning对比方法

Antsfeld & Chidlovskii · IEEE IPIN 2021, pp. 1–8 — CNN+RNN 混合架构，需初始位置估计；本文 Table I 的主要对比基线

Comparing CNN and LSTM Networks for Magnetic Localization of IoT Devices and Pedestrian Tracking对比方法

Klipp et al. · ICCAI 2025 — CNN vs LSTM 磁定位系统对比，MagNet 架构优化的直接前序工作