EndoSensorFusion：基于粒子滤波与切换状态空间模型的内窥镜胶囊机器人多传感器数据融合

基于摘要分析。本文研究主动控制内窥镜胶囊机器人在胃肠道环境中的实时定位，提出 EndoSensorFusion，通过粒子滤波融合多传感器的含噪位姿观测，并结合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。 方法以机器人真实位姿为顺序估计目标。实验融合磁定位系统提供的 5 自由度（5-DoF）绝对位姿测量，以及视觉里程计提供的 6 自由度（6-DoF）相对位姿测量。作者称，该方法能够检测传感器故障并忽略损坏数据。标题明确采用切换状态空间模型，但摘要未展开切换变量、可靠性估计与粒子权重更新之间的具体关系，也未说明循环神经网络的训练方式。 作者报告，在离体猪胃模型上的不同胶囊机器人运动轨迹实验中，系统取得了较高的平移与旋转精度；摘要未提供误差数值、对照基线或统计区间，因此无法量化其优势，也不能据此推断在体临床可靠性。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 BCI 系统需要融合多个具有共同潜在状态、且质量随时间变化的观测流，在线可靠性估计与切换状态建模可能具有借鉴价值；这是假设，并非原文验证结果。可复用的是可靠性驱动的顺序融合框架，需要改造的是观测模型、状态定义与学习式动力学。EEG 的低信噪比、跨被试差异及小样本条件可能使真实状态变化被误判为传感器故障。一个可检验的小实验是在固定被试内划分下，对多模态解码输入人为注入短时传感器失效，比较可靠性自适应融合与固定权重融合在干净及受扰条件下的表现。已有 EEG 相关工作尚未检索确认。