低成本加速度計憑借體積小、易集成、可穿戴及量產化優勢，在工業自動化、醫療監測和消費電子等領域廣泛應用，但其精度受限、噪聲顯著且量程范圍狹窄的問題嚴重制約了高動態場景下的應用。

為此，哈爾濱工業大學的研究人員提出HEROS-GAN，首次通過生成式深度學習將低成本加速度計信號映射為高成本等效信號，突破其精度與量程瓶頸。

目前，論文已被頂會AAAI 2025接收為Oral，具有一定的理論價值和啟發性。

論文地址：https://arxiv.org/abs/2502.18064

針對無法獲取配對訓練標簽的核心挑戰，文中設計最優傳輸監督（OTS），利用最優傳輸理論挖掘未配對數據間的潛在一致性，從而最大化利用監督信息。

同時，提出調制拉普拉斯能量（MLE），通過自適應調節特征層能量，激勵生成器突破量程限制、增強局部細節。

并且，文中還構建了首個低成本加速度計信號增強專用數據集LASED。

圖1 HEROS-GAN框架圖

實驗結果表明，單獨集成OTS或MLE的GAN模型即可超越現有信號增強方法一個數量級；而融合兩者的HEROS-GAN顯著優于最優基線，量程從8g擴展至16g，噪聲降低兩個數量級，使$0.5級傳感器達到$200級工業產品的實測性能。

此外，文中提出物理可解釋性評估體系（CSRE/ZVRE），可以評估生成信號的物理合理性，從而保證生成模型的可靠性與實用性。

研究背景

低成本加速度計憑借其微型化設計、易于集成和低成本優勢，已成為現代工業自動化、醫療健康監測及消費電子領域的核心傳感組件。

在工業場景中，此類傳感器廣泛應用于機械臂運動控制、生產線振動監測與設備故障預警；在消費電子領域，其支撐智能手機的姿態交互、增強現實（AR）應用及健康監測功能；在醫療領域，則實現患者運動追蹤、康復訓練評估與跌倒檢測等關鍵任務。

然而，受限于硬件成本約束，主流低成本加速度計普遍存在兩大技術瓶頸：精度不足（信號噪聲顯著）與動態范圍狹窄（典型量程為±2g至±8g）。

例如，工業機械臂高速運動需±16g量程以精確捕捉復雜動作，而醫療場景中跌倒檢測常需識別瞬時超10g的加速度信號。

現有低成本傳感器在高動態場景下易因信號飽和導致數據失真或丟失，嚴重影響系統可靠性。盡管高端傳感器（如Xsens系列，部分產品單價超1500美元）可滿足性能需求，但其高昂成本阻礙了規模化部署。

因此，通過智能算法提升低成本硬件性能，實現“低硬件成本+高算法效能”的技術路徑，對推動高精度傳感技術的普惠化具有重要戰略意義。

近年來，生成式深度學習的快速發展為傳感器信號增強提供了新思路。通過構建從低成本信號到高成本信號的映射模型，理論上可突破硬件固有局限。

然而，此類方法的核心挑戰在于：低成本與高成本傳感器的信號難以實現幀級嚴格配對。硬件差異、采樣率不匹配及動態環境干擾導致監督信息缺失，傳統生成式深度學習模型無法充分利用非配對數據內隱藏的監督信息，因此易生成不滿足物理合理性的失真信號。

現有研究多聚焦于信號降噪（如卡爾曼濾波、經驗模態分解），但此類方法依賴先驗假設，泛化能力受限；而數據驅動方法雖能自適應學習，卻受限于配對數據的稀缺性。

針對上述問題，研究人員提出的HEROS-GAN（Honed-Energy Regularized and Optimal Supervised GAN），首次實現非配對數據監督下的加速度計信號精度提升與量程擴展雙重目標，其核心創新包括：

• 最優傳輸監督（Optimal Transport Supervision, OTS）：基于最優傳輸理論，挖掘未配對信號間的潛在特征分布一致性，構建柔性監督機制。通過最小化特征遷移代價，實現跨域特征對齊，突破傳統方法對嚴格配對數據的依賴。
• 調制拉普拉斯能量（Modulated Laplace Energy, MLE）：在生成器特征層引入拉普拉斯能量自適應調控機制。通過微分幾何特征動態調節生成信號的高頻能量分布，實現高動態場景下的量程突破與穩態噪聲抑制，實現量程擴展與噪聲抑制的雙重優化。
• 本研究提出物理可解釋性評估體系（CSRE/ZVRE），它可以驗證生成信號的物理合理性，首次為生成模型的可靠性與工程實用性建立嚴格的數學驗證框架，填補領域內生成信號質量評估的理論空白。

最優傳輸監督

考慮到配對的低成本與高成本傳感器信號難以獲取，無法對生成模型施加逐元素匹配的端到端監督，文中提出基于最優傳輸理論的特征對齊機制，通過挖掘非配對信號特征間的潛在關聯性實現跨域監督。

其核心思想在于：盡管兩類信號未嚴格配對，但其深層特征分布因物理量測本質的一致性（如加速度的動力學約束、物理運動的時空連續性等）呈現潛在關聯性。

具體而言，最優傳輸理論通過量化特征間的全局遷移成本（如特征相似度與分布差異），動態構建低成本特征向高成本特征的最優映射關系。

這一過程不僅識別未配對數據中隱含的相似性模式（如動態響應特征與噪聲分布規律），更通過最小化全局遷移代價實現特征空間的柔性對齊。

基于此映射關系，研究人員設計最優傳輸監督可以引導生成器逐步修正特征分布偏差，使得低成本信號特征在保持物理合理性的前提下逼近高成本信號特征。

該機制突破傳統方法對嚴格配對數據的依賴，通過全局分布匹配而非逐點強制映射，在未配對數據下最大化利用跨域監督信息，為生成模型的可靠性與泛化性提供了理論保障。

圖2 最優傳輸監督示意圖

調制拉普拉斯能量

針對傳統生成模型對信號細節刻畫不足的問題，文中定義了深度學習特征的拉普拉斯能量，并在生成器特征層設計了一種拉普拉斯能量調制機制（Modulated Laplace Energy, MLE）。

該機制通過動態感知信號局部曲率特征，在高動態區間增強高頻分量以突破量程限制，在穩態區間抑制噪聲能量以提升信噪比，實現物理規律引導下的信號細節重構。

該方法首次將微分幾何約束嵌入生成式模型，為物理信息驅動的信號增強提供了可擴展的算法框架。

圖3 拉普拉斯能量調制機制流程圖

實驗

文中構建了首個包含10類智能設備的加速度計信號增強數據集LASED，并提出物理可解釋性評估體系：CSRE/ZVRE。

在過載信號重構任務中，該方法在15g量程下的重構誤差較傳統方法降低83.4%，零速度殘差（ZVRE）達到0.065m/s的物理一致性水平。

Allan方差分析表明，靜態噪聲中的量化噪聲降低94%，達到高端傳感器實測性能。在實際工業場景測試中，成功捕捉到13.2g的機械沖擊峰值（傳統傳感器在8.0g即飽和），并通過高精度三維高速運動捕捉設備驗證了信號波形的時頻域保真度。

結論

首先，OTS機制為跨域非配對數據建模提供了新的優化范式，研究人員將其推廣至多模態醫療影像分析、跨平臺機器人感知等場景。

此外，MLE模塊開創了微分算子約束與生成式模型的融合路徑，為物理規律驅動的信號重建提供了方法論指導。

文中構建的評估體系建立了算法性能與物理可解釋性的定量關聯，為傳感器信號處理領域確立了新的評價標準。

工程層面，該技術已應用于工業機械臂振動監測系統，使成本$0.5以內傳感器的測量精度達到$200專業設備的水平，驗證了算法落地應用的可行性。這項工作不僅突破了低成本傳感器的性能極限，更啟示了生成式模型在物理信息處理中的巨大潛力，為智能感知領域的算法-硬件協同創新提供了范式參考。

作者介紹

王一峰，哈工大博士生，2023年受國家留學基金委資助，赴新加坡國立大學進行博士聯合培養，研究方向包括深度學習可解釋性分析、傳感器信號處理與分析、AI物理感知等。擔任國際生物信息與生物醫學工程會議(BIBE)、計算機技術與信息科學國際會議(CTIS)、機器人自動化與智能控制國際會議(ICRAIC)分會主席，CVPR、ECCV、AAAI、Information Fusion、Pattern Recognition, Information Science等人工智能頂級會議/期刊審稿人。

趙毅, 哈工大教授，應用數學研究中心主任和學科學術帶頭人，英國數學與應用學會會士，廣東省數學學會理事，廣東省工業與應用數學學會常務理事，研究方向包括應用動力系統、非線性時間序列分析、復雜網絡和數據科學理論等。近五年以第一/通信作者發表SCI論文59篇，其中3篇論文入選ESI高被引論文。