EndoSensorFusion：用于胶囊内窥镜机器人的基于粒子滤波与切换状态空间模型的多传感器数据融合

基于摘要分析。该研究面向主动控制胶囊内窥镜机器人的实时定位，提出多传感器融合方法 EndoSensorFusion：结合粒子滤波、在线传感器可靠性估计与由循环神经网络学习的非线性运动学模型，从多个传感器的含噪位姿观测中递推估计机器人真实位姿。 实验融合磁定位系统提供的 5 自由度（5-DoF）绝对位姿测量与视觉里程计提供的 6 自由度（6-DoF）相对位姿测量。作者描述，该方法能够检测传感器故障并忽略受损数据，以增强定位鲁棒性。标题将其表述为切换状态空间模型，但摘要未交代切换变量、状态转移、可靠性估计及粒子权重更新的具体形式，相关实现尚未验证。 作者报告，在离体猪胃模型、不同胶囊机器人运动轨迹的评估中，系统取得较高的平移与旋转精度；摘要未提供误差数值、对照基线、样本规模或运行时延，因此不能量化收益，也不能据此认定满足临床实时性或安全性要求。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若多模态 BCI 中存在随时间变化的传感器可靠性，可检验“按可靠性调整观测贡献”的机制，而非直接迁移机器人的运动学模型。迁移需重新定义神经或行为潜在状态、各模态观测模型及可靠性判据；EEG 的低信噪比、非平稳性和跨被试差异可能使有效神经活动被误判为故障。一个可证伪的小实验是在固定数据划分与解码器下，向某一模态注入可控伪迹，比较可靠性自适应融合与固定融合的任务指标及误剔除情况。该假设不代表原论文已验证 BCI 效果，相关 EEG 工作尚未检索确认。