科研进展 | 墨尔本大学等：实现机器学习辅助的金刚石量子磁测量磁性目标追踪

远距离磁探测为运动目标监测提供了一种非接触式手段，在地面交通监测、地下基础设施测绘和危险目标探测等领域具有应用潜力。但在真实环境中，目标产生的磁信号往往微弱且复杂，容易受到背景噪声和环境磁场干扰。传统分析方法通常依赖精细的物理模型，以及对被测系统的充分了解，这些条件在实际场景中并不随时具备。

机器学习为这一问题提供了另一种思路：不必预先建立完整的物理模型，而是直接从实验数据中学习磁场信号与目标位置之间的关系。

2026年11月2日，由墨尔本大学、RMIT大学和澳大利亚企业 Phasor Innovation Pty Ltd 组成的研究团队在《Physical Review Applied》上发表题为“Machine-learning-assisted tracking of magnetic objects using quantum diamond magnetometry”（基于量子金刚石磁力计的机器学习辅助磁性物体追踪）的研究论文。

图1：实时监控对象：应用概述

这项研究将机器学习与量子金刚石磁力计结合，通过探测电梯运行时产生的数百纳特斯拉量级磁场变化，实现了对其运动位置的实时预测。实验中，磁力计与电梯相距约10米，模型仅经过约40分钟训练，便能以10  Hz的频率预测目标位置，在30厘米误差容忍范围内达到80%以上的准确率。

非接触式追踪

实时目标监测广泛应用于交通管理、环境监测和安防等领域。现有定位技术主要依赖GPS等无线电定位系统，但这类方法要求目标携带接收设备，在水下、地下及室内等信号受阻或严重衰减的环境中也难以正常工作。

远距离磁探测则提供了另一种可能：磁信号能够在这些环境中传播，且可直接来自被测目标，无须目标主动配合或安装定位装置。

然而，磁探测的难点并不止于测量信号，更在于从复杂数据中识别目标位置。不同目标具有各自的磁场特征，实际测量还会叠加环境噪声。

图2：不同参考系中的磁性测量

传统方法通常需要建立描述目标及其周围环境的物理模型，再通过拟合实验数据提取位置信息。机器学习虽然已被用于磁异常检测、地下列车监测和磁导航等任务，但不少方法仍依赖物理模型进行数据预处理或生成训练数据。当应用场景复杂、先验信息不足时，建模和参数确定的成本会显著增加。

近年来，研究人员开始探索直接利用实验数据训练机器学习算法的无模型方法，让算法自主学习磁场测量与目标位置之间的关系。不过，此前相关工作主要集中于目标识别、导航或行为判断，对运动目标进行实时位置追踪仍存在空缺。

量子磁探测与机器学习

该研究使用的传感器以金刚石氮空位色心（NV center）为基础，这种存在于原子尺度的晶格缺陷具备可操控的电子自旋，其能级结构会受外部磁场作用产生变化，因此可以作为探测微弱磁场的探针。

具体操作过程中，研究人员通过激光对 NV色心开展初始化和荧光读出操作，同时利用微波对其自旋状态进行操控，外部磁场会引发自旋能级的塞曼劈裂，改变对应的共振频率，通过光探测磁共振（ODMR）测量该变化，就可以反向推导得出对应的磁场信息。

图3：机器学习（ML）算法的训练过程

磁场测量得到的结果不能直接等同于目标识别结果，电梯运行产生的磁场变化，会和建筑内部电气设备以及周边环境的磁场发生叠加，仅依靠单一时刻的磁场读数，很难对电梯位置做出准确判断。

针对这一情况，研究团队引入一维卷积神经网络（1D CNN），把磁力计测量得到的三个方向磁场分量Bx、By、Bz作为模型输入，将电梯垂直位置Z作为预测目标，模型会对最近4秒的连续磁场数据进行分析，从数据的时间变化中提取和电梯运动相关的特征。

训练数据用到的位置标签由摄像机读取电梯楼层显示屏的内容获得，电梯运行过程中的位置则通过线性插值的方式进行估算，摄像机在该研究中的作用是生成训练和测试需要的标签，不属于追踪系统的实时组成部分。

这套方法没有要求研究人员提前搭建完整的电梯磁场分布模型，由神经网络从实测数据中学习磁场变化和电梯位置之间的映射关系，该方法降低了对精确物理建模的依赖，但对应的模型仍然需要依托场景数据完成训练。

十米之外追踪电梯

相关实验在一栋实际投入使用的建筑内开展。研究人员将NV色心磁力计设置在建筑的地下层，位置与电梯相距约 10米，实验涉及的电梯共有八层，相邻楼层的高度约为4米，电梯平均运行速度约1.4米/秒。

实验所用磁力计以10 Hz的频率采集三轴磁场数据，设备使用的金刚石NV色心浓度约为4.5 ppm，磁力计三轴平均灵敏度约为400 pT/√Hz，工作带宽范围为1，100 Hz。

该实验没有在完全屏蔽外界干扰的环境条件下开展，实验地点附近运行的有轨电车会带来约70，250 nT的磁场干扰，这一情况也让实验条件更贴近实际建筑环境中的真实测量场景。

图4：优化机器学习超参数

研究团队把采集到的连续磁场数据和对应的电梯位置标签进行匹配，组建成用于模型训练和测试的数据集，模型以最近4秒的三轴磁场序列作为输入，对电梯的垂直位置进行持续预测。

实验的检验内容包含两个部分，一方面是检验传感器能否探测到电梯引发的磁场变化，另一方面是检验算法能否在背景干扰中识别出对应的目标信号。

从磁场到位置

实验结果显示，设置在距离电梯约10米位置的磁力计可以提供有效的追踪信息，使用约30分钟的实验数据开展训练时，模型的追踪准确率约为80%，训练使用的数据量增加到约6小时后，模型准确率可以达到89.6%。

在后续开展的独立测试中，研究团队对65种不同的磁场坐标投影条件进行了考察，对应的整体追踪准确率为88.9%，停靠位置预测准确率为94.9%，不同坐标投影条件下的准确率变化幅度小于3%，反映出模型对测量坐标变化具备一定的适应能力。

图5：监控机器学习应用的最终性能

误差容忍范围的设置会对最终的评价结果产生影响，当预测位置和实际位置的误差容忍范围设置为30厘米时，对应的准确率约为80%，针对停靠位置的识别工作，在容忍范围放宽到4米的情况下，识别率超过 99%。

这里需要说明的是，30厘米是本次实验评价采用的误差范围，并不代表该系统已经实现了30厘米的绝对定位精度。

结语

该研究呈现了量子磁力计在非接触式运动追踪领域的一种可行路径，追踪目标不需要主动发送定位信号，也不需要安装专用标签，只要目标的运动能够在周边环境中产生可测量的磁场变化，就存在通过外部传感器完成识别的可能性。

目前相关实验的聚焦范围是电梯的单轴垂直运动，对应的模型也需要针对具体场景采集数据开展训练，不同建筑的磁环境、设备结构和电气干扰存在一定差异，模型能否迁移到其他场景应用，仍然需要进一步验证，多个目标同时运动时的信号区分问题、数据标注的成本问题以及长期部署的稳定性问题，也都是后续推进过程中需要解决的内容。

这项研究的推进点，在于它将量子磁场测量和机器学习技术进行结合，让传感器采集到的环境信号可以进一步转化为对运动目标的判断，和单纯追求更高测量灵敏度的方向相比，这种从感知到识别的技术路径，存在值得量子传感领域持续关注的价值。