RFID-Assisted Indoor Localization Using Hybrid Wireless Data Fusion
University of Maine（缅因大学）
本文提出一种基于分区的混合室内定位方法，结合RFID跟踪设备与多种IoT无线技术，通过仅在分区边界布置标签以降低成本，并利用RSSI进行蓝牙、WiFi和ZigBee的线性位置估计，实验验证了该方法的有效性。
2023-07-28 cs.LG cs.NI eess.SP
New technologies for high speed computer networks: a wavelet approach
采用Kaiser电磁小波对室内多传播信道进行建模。提出了一种用核函数代替冲激响应对室内传播的所有反射进行建模的信道特性描述方法。这导致我们考虑一种分形调制方案，其中Kaiser小波替代传统的正弦载波。
2009-04-16 cs.NI
Hybrid Wi-Fi/PDR Indoor Localization with Fingerprint Matching
本文提出一种结合Wi-Fi和PDR的混合室内定位系统，通过指纹匹配和轨迹跟踪实现高精度定位。
2026-10-11 cs.NI
Deep Smartphone Sensors-WiFi Fusion for Indoor Positioning and Tracking
Naver Labs Europe；Universitat Jaume I de Castello（海梅一世大学）
我们解决了室内定位问题，其目标是使用惯性传感器（如加速度计、陀螺仪和磁力计）以及其他环境和网络传感器（如气压计和WiFi）从智能手机收集的数据中预测用户的轨迹。我们的系统实现了一个基于深度学习的行人航位推算（deep PDR）模型，该模型提供了对用户相对位置的高速率估计。使用卡尔曼滤波器，我们使用WiFi校正PDR的漂移，WiFi在每次接收到WiFi扫描时提供用户的绝对位置的预测。最后，我们调整卡尔曼滤波器的结果与地图的自由投影方法，考虑到环境的物理约束（走廊，门等）。并将预测投射到可能的步行路径上。我们在IPIN'19室内本地化挑战数据集上测试了我们的管道，并证明它使用挑战评估协议将获胜者的结果提高了20%。
2020-11-21 cs.LG cs.NI cs.RO
A Review of Indoor Millimeter Wave Device-based Localization and Device-free Sensing Technologies and Applications
University of Trento（特伦托大学）；Lund University（隆德大学）；University of Padova（帕多瓦大学）
低成本毫米波（mmWave）通信和雷达设备的商业可用性开始提高此类技术在消费者市场的渗透率，为第五代（5G）及以后以及6G网络的大规模和密集部署铺平了道路。与此同时，无处不在的毫米波接入将以前所未有的准确度实现设备定位和无设备感知，特别是对于低于6 GHz的商业级设备。本文综述了使用毫米波通信和雷达设备的基于设备的定位和无设备感测的最新技术水平，重点关注室内部署。我们首先概述有关毫米波信号传播和系统设计的关键概念。然后，我们提供了一个详细的说明的方法和算法的定位和传感启用毫米波。我们在分析中考虑了几个方面，包括每项工作的主要目标、技术和性能，每项研究是否达到了一定程度的实现，以及为此目的使用了哪些硬件平台。最后，我们讨论了更好的消费级设备算法，密集部署的数据融合方法，以及机器学习方法的教育应用是有前途的，相关的和及时的研究方向。
2022-05-25 cs.LG cs.NI eess.SP
Performance Study of Localization Techniques in Wireless Body Area Sensor Networks
无线体域传感器网络（WBASNs）的主要问题之一是有效的定位。存在用于室内和室外环境以定位人的各种技术。本研究评估并比较了室内环境中无线传感器的最佳放置优化方案的性能，患者可以在其中进行日常活动。在室内环境下，比较了距离矢量跳算法、基于比较接收信号强度指示的环重叠算法（ROCRSSI）、粒子滤波和卡尔曼滤波定位跟踪技术的定位精度。结果表明，粒子滤波优于所有。GPS和GSM定位跟踪方案的基础上提出了室外环境的几种技术。基于隐马尔可夫GSM的定位跟踪方案在定位精度和计算开销方面有效地表现在所有方案中。
2012-07-06 cs.NI
Indoor Location for Smart Environments with Wireless Sensor and Actuator Networks
本文提出了一种基于无线传感器和执行器网络的室内定位系统，用于实现智能建筑环境中的位置感知和自动化控制，通过实验验证了系统在室内办公环境中的有效性。
2021-06-14 cs.NI cs.SY eess.SY
DynoLoc: Infrastructure-free RF Tracking in Dynamic Indoor Environments
目前存在有前途的解决方案，其可以在有利的视觉条件下使用视觉惯性测距法或通过利用细粒度测距（RF、超声波、IR等）来准确地跟踪室内移动实体。引用锚点。然而，它们无法直接迎合“动态”室内环境（例如，第一响应者场景，日常空间中的多玩家AR/VR游戏等）。没有这样的有利条件。事实上，我们表明，需要“无基础设施”，并在这种环境中的“节点移动性”和“视觉条件”的鲁棒性，激发了一种强大的基于RF的方法，同时需要解决其无基础设施的新颖且具有挑战性的变体（即，对等）定位问题是延迟受限的，对移动实体的精确跟踪强加了延迟预算，该延迟预算不仅影响解的计算，而且影响对等范围本身的收集。在这项工作中，我们提出了DynoLoc的设计和部署，解决了这种延迟受限的无基础设施的RF定位问题。为此，DynoLoc揭示了延迟和定位精度之间的基本权衡，并结合了明智地利用可用测距资源来自适应地估计节点的联合拓扑的设计元素，再加上强大的算法，即使面对实际的环境伪影（无线连接和多路径，节点移动性等），也能最大限度地提高定位精度。这使得DynoLoc能够在没有基础设施支持的情况下，以1-2 m/s的速度（每秒）跟踪数十个移动实体的网络，平均精度低于1-2 m（相比基线为5 m+）。我们展示了DynoLoc在现实世界消防员演习中的潜力，以及其他两个用例：（i）多玩家AR/VR游戏，以及（ii）第一响应者的主动射手跟踪。
2022-03-19 cs.NI cs.SY eess.SY
Decentralized Collaborative Inertial Tracking
本文提出一种基于移动设备惯性传感器和蓝牙匿名数据交换的去中心化室内协作跟踪算法，以低复杂度几何运算纠正位置误差，实验表明其相比独立行人航位推算算法平均精度提升44%。
2024-10-02 cs.DC cs.ET cs.NI
Intelligent Reflective Surface vs. Mobile Relay-supported NLoS Avoidance in Indoor mmWave Networks
第六代无线通信（6G）被设想为产生用于改善端到端通信性能的各种技术，其中通信被设想为利用毫米波（mmWave）频率和更高频率的无线信号。其中，这些技术包括智能反射表面（IRS）和移动中继（MR），其设想的作用包括减轻非视线（NLoS）连接的负面影响，特别是在毫米波和更高频率下。这些技术背后的核心思想是使用协作网络，其中源向中继器（在这种情况下为IRS或MR）发送信号，该信号在接收时被转发到目的地。当比较这两种技术时，重要的是要认识到IRS主要被设想为附着到环境中的各种对象（例如墙壁和家具）的静态实体。相比之下，MR将具有更高的自由度，因为它们将能够在环境中无缝定位。基于上述假设，我们推导出一种用于确定室内环境中IRS和MR的最佳位置的方法，即，最大化源和目的地之间的端到端链路质量的方法。接下来，我们捕获在室内毫米波通信中IRS和MR支持的NLoS避免的通信质量指标。我们的研究结果表明，从端到端的链路质量的角度来看，MR通常优于IRS，这表明其利用潜力的吞吐量优化的NLoS避免场景。
2022-07-14 cs.ET cs.NI eess.SP
LPWAN based IoT Architecture for Distributed Energy Monitoring in Deep Indoor Environments
Dortmund University of Applied Sciences and Arts（多特蒙德应用技术大学）
本文提出了一种基于 LPWAN 的分布式物联网架构，通过结合多种 LPWAN 技术优化成本和覆盖范围，用于深室内环境的能源监控。
2025-11-30 cs.NI cs.SY eess.SY
Improved Indoor Localization with Machine Learning Techniques for IoT applications
IIC University of Technology（IIC科技大学）
本研究针对IoT室内定位问题，提出基于RSSI的三阶段机器学习方法（监督回归、分类和集成），并引入加权最小二乘和伪线性求解处理非线性测量方程，通过多模型实验验证了其在室内定位的准确性和鲁棒性。
2024-02-18 cs.LG cs.NI eess.SP
Estimating indoor crowd density and movement behavior using WiFi Sensing
事实上，几乎每个人都拥有一个可以精确定位的智能手机设备，这既是授权，也是令人担忧的。如果以负责任的方式开发通过WiFi探测准确跟踪设备（及其所有者）的方法，它们可以应用于从数据安全到城市规划的许多不同领域。已经涵盖了许多数据汇集和分析的方法，其中一些使用主动传感设备，而另一些则依赖于被动探测，这利用了几乎普遍的智能手机使用和WiFi网络覆盖。在这项研究中，我们介绍了一个系统，使用WiFi探测技术，旨在跟踪用户的位置和了解个人行为。我们构建了自己的设备来被动地捕获来自智能手机的WiFi请求探测数据包，而无需将手机连接到网络。这些设备在榆树公司研究部门的总部进行了测试。为估计办公室的人群密度和从一个地方到另一个地方的人群流动而进行的分析的结果是有希望的，并说明了这种解决方案在室内和封闭空间的重要性。
2022-07-04 cs.NI eess.SP
Refining Wi-Fi Based Indoor Localization with Li-Fi Assisted Model Calibration in Smart Buildings
近年来，越来越多的信息技术被用于建筑物中，以推进“智能建筑”的理念。在各种潜在技术中，使用基于Wi-Fi的室内定位允许定位和跟踪建筑物内的智能手机用户，因此，位置感知智能解决方案可以应用于控制和建筑物操作。这些位置感知室内服务（例如，路径发现、物联网、基于位置的广告）需要实时准确的室内定位，这是保证智能建筑中的高服务质量的关键问题。本文提出了一种新的基于Wi-Fi的室内定位技术，该技术在Li-Fi辅助系数校准的帮助下实现了室内定位精度的显著提高。所提出的技术利用室内现有的Li-Fi照明和Wi-Fi基础设施，并产生具有成本效益且用户方便的室内精确定位框架。在这项工作中，进行实验研究和测量，以验证所提出的想法的性能。结果证实了利用Li-Fi辅助计算校准来改进基于Wi-Fi的室内定位的概念。
2016-02-24 cs.NI
Improvement of Indoor Radio Coverage at 60 GHz in NLOS Configuration
在当前新技术的发展中，由于毫米波段无线通信的集成，通信世界正在经历显著的增长。在这种情况下，本文的目的是评估的贡献，使用金属反射板可以引入室内无线电覆盖在60 GHz的NLOS（走廊）配置。通过测量获得的结果表明，使用这样的面板可以导致高达12 dB的显著路径损耗降低，这提高了接收功率。
2021-12-16 cs.NI eess.SP
Standing on the Shoulders of Giants: AI-driven Calibration of Localisation Technologies
Toshiba Research Europe Ltd.（东芝欧洲研究有限公司）；University of Bristol（布里斯托大学）；University of Leeds（利兹大学）
存在高精度定位技术，但部署在大型室内空间（如仓库、工厂和超市）以跟踪资产和人员的成本过高。然而，这些技术可以用于将其高度准确的定位能力借给低成本、商品和不太准确的技术。在本文中，我们提出了一个基于人工智能的技术不可知校准框架，通过高度准确的定位系统来帮助这种低成本的技术，从而弥合了这一联系。单层神经网络用于使用更精确的技术（诸如使用UWB的BLE和使用专业运动跟踪系统的UWB）来校准不太精确的技术。在一个真正的室内测试平台上，我们展示了约70%的BLE和50%的UWB的精度增加。所提出的方法不仅需要非常短的测量活动，单层神经网络的低复杂性也使其非常适合部署在受限设备上，通常用于定位目的。
2019-05-30 cs.AI cs.LG cs.NI
Accurate Indoor Localization Using Acoustic Direction Finding via Smart Phones
我们提出并实现了一种新的室内定位方案，Swadbands，建立在一个准确的声学方向。Swadtron利用智能手机的传感器，而不需要任何专门的设备。该方案Swadminster不依赖于任何指纹，并且非常容易用途：用户只需要在行走和定位之前短时间地摇动手机。我们的Swadtron设计利用了一个关键的观察结果：手机摇动运动的相对位移和速度对应于手机接收到的声学信号中所经历的多普勒效应的细微相移和频移。设计了一种新的方法，通过将从细微的多普勒频移计算的速度与来自手机的惯性传感器的速度相结合来推导从手机到声源的方向。然后，通过使用具有已知位置的几个锚扬声器来实现实时精确定位和跟踪。在实现Swadtron的主要挑战是精确地测量频移，并准确地估计振动速度时，手机抖动的速度是低的，任意变化。我们提出了严格的方法来解决这些挑战，然后设计和部署Swadbolt在几个楼层的室内建筑面积约2000平方米。实验结果表明，在32m范围内，测向的平均误差约为2.1 °。对于室内定位，90%误差小于0.92m，最大误差为1.73m，平均误差约为0.5m。对于实时跟踪，对于51米的步行，误差在0.4米以内。
2013-06-07 cs.NI
Low Complexity Indoor Localization in Wireless Sensor Networks by UWB and Inertial Data Fusion
室内运动目标的精确定位是一项具有挑战性的活动，如果不结合不同的信息源，就无法轻松完成。从这个意义上说，不同数据源与适当过滤器的组合可能会提高定位和跟踪性能。提出了一种基于超宽带和惯性信息融合的无线传感器网络混合定位算法。一个恒定增益的稳态卡尔曼滤波器被用来约束系统的复杂性，简化了其在一个典型的低功耗无线传感器网络节点上的实现。所提出的数据融合算法的性能进行了评估，在一个现实的情况下，使用模拟和现实的数据集。实验结果证明了该方法的有效性，有效地融合了不同的定位数据源，降低了定位误差。
2013-05-07 cs.NI
RFID Localisation For Internet Of Things Smart Homes: A Survey
物联网（IoT）在电子健康、智慧城市、灵巧家庭等众多领域带来了众多商机。物联网将多种远程、短程和个人区域无线网络和技术整合到物联网应用的设计中。室内定位系统的本地化在物联网中发挥着重要作用。基于位置的物联网应用范围包括实时跟踪对象和人员、资产管理、农业、医疗保健辅助监控技术以及灵巧家庭等。基于射频的室内定位系统，如射频识别（RFID），是物联网的关键使能技术，因为它具有成本效益、高可读性、自动识别以及重要的能效特性。本文综述了物联网灵巧家庭应用中的RFID技术。它提出了几个比较研究的RFID为基础的项目在灵巧家庭，并讨论了应用程序，技术，算法，并采用RFID技术在物联网灵巧家庭系统的挑战。
2017-02-08 cs.NI
QuickLoc: Adaptive Deep-Learning for Fast Indoor Localization with Mobile Devices
Colorado State University（科罗拉多州立大学）
室内定位服务是在未来城市中实现智能网络物理系统的关键方面。这些服务有望重塑在各种室内和地下环境中导航和跟踪人员和资产的过程。随着智能手机拥有量的不断增加，通过深度学习实现基于便携式指纹的室内定位奠定了基础。然而，随着对精确定位的需求增加，相关联的深度学习模型的计算复杂性也增加。我们提出了一种方法，用于减少基于深度学习的室内定位框架的计算需求，同时保持定位精度目标。我们提出的方法在多个智能手机上进行了部署和验证，与最知名的基于基线深度学习的室内定位模型相比，预测延迟减少了42%，预测能量减少了45%。
2021-04-15 cs.LG cs.NI eess.SP
WiFiNet: WiFi-based indoor localisation using CNNs
Universidad de Alcalá（阿尔卡拉大学）
已经提出了不同的技术来提供室内定位：磁场，蓝牙，WiFi等，其中，WiFi是具有最高可用性和最高准确性的技术。这一事实使得几乎任何环境和任何设备都可以进行无处不在的准确定位。然而，基于WiFi的本地化仍然是一个悬而未决的问题。在这篇文章中，我们提出了一个新的基于WiFi的室内定位系统，利用卷积神经网络的巨大能力，在分类问题。三种不同的方法被用来实现这一目标：一种名为WiFiNet的自定义架构，专门为解决这个问题而设计和训练，以及最流行的预训练网络，使用迁移学习和特征提取。结果表明，WiFiNet是一种在中型环境（30个位置和113个接入点）中进行室内定位的好方法，因为与最先进的WiFi室内定位算法（如SVM）相比，它降低了平均定位误差（33%）和处理时间。
2021-04-14 cs.LG cs.NI
WPTrack: A Wi-Fi and Pressure Insole Fusion System for Single Target Tracking
本文提出WPTrack系统，通过融合单Wi-Fi链路的CSI与90个压力鞋垫传感器数据，解决初始位置获取和切向方向DFS估计盲点问题，实现高精度单目标跟踪。
2025-08-06 cs.HC cs.NI
Ubiquitous Indoor Localization and Worldwide Automatic Construction of Floor Plans
虽然GPS已经被认为是一种无处不在的室外定位技术，但我们仍然远离室内环境的类似技术。虽然已经提出了许多用于室内定位的技术，但它们都是孤立的努力，距离真正的无处不在的定位系统还有很长的路要走。普遍存在的室内定位系统被设想为以最小的开销在世界范围内大规模地部署，以与异构设备一起工作，并且允许用户从室内到室外环境无缝地漫游。这样的系统将实现广泛的应用，包括室内位置之间的全球无缝方向查找，通过提供任何地方的定位和平面图来增强第一响应者的安全性，以及为位置感知社交网络应用提供更丰富的环境。我们描述了一个无处不在的室内定位系统（IPS）的体系结构和必须解决的挑战，以实现它。然后，我们专注于自动化的全球室内平面图和指纹数据库的建设的可行性，因为我们相信，是一个无处不在的IPS系统的存在限制的主要挑战之一。我们的概念验证使用了一种众包方法，该方法利用当今手机中的嵌入式传感器作为全球分布式平面图生成工具。这包括构建平面图和确定感兴趣的区域（走廊，办公室，会议室，电梯等）。云计算概念也被用于处理和存储系统用户生成和请求的大量数据。我们的研究结果表明，该系统能够构建一个准确的平面图，并确定感兴趣的领域超过90%的准确性。我们还确定了不同的研究方向，以解决实现一个真正的无处不在的IPS系统的挑战。
2012-04-15 cs.NI
Scalability Analysis of 5G-TSN Applications in Indoor Factory Settings
本文针对工业无线网络难以满足严格时延与可靠性要求的问题，使用OMNET++仿真评估5G与TSN集成在多种室内工厂场景下的可扩展性，证明其可为时延敏感应用提供有界时延。
2025-02-10 cs.NI
Spot: An accurate and efficient multi-entity device-free WLAN localization system
WLAN中的无设备（DF）定位已经被引入作为允许跟踪不携带任何设备的室内实体的增值服务。DF WLAN本地化以前的工作集中在跟踪一个单一的实体，由于棘手的多实体跟踪问题，其复杂性与被跟踪的人的数量呈指数增长。在本文中，我们介绍了现场作为一个准确和高效的系统，多实体DF检测和跟踪。Spot基于概率能量最小化框架，该框架将条件随机场与马尔可夫模型相结合，以捕获实体姿态之间的时间和空间关系。引入了一种新的交叉校准技术，以将多个实体的校准开销降低到线性，而不管被跟踪的人的数量。这也有助于提高系统精度。我们设计的能量最小化功能的目标是有效地解决了。我们表明，所设计的功能可以映射到一个二元图切割问题，其解决方案具有线性复杂性的平均和三阶多项式在最坏的情况下。我们进一步对估计的候选位置进行聚类，以减少离群值并获得更准确的跟踪。在两个典型的测试平台上进行的实验评估，与最先进的并排比较，表明Spot可以实现小于1.1米的多实体跟踪精度。这对应于在中值距离误差上比仅能跟踪单个实体的最新DF定位系统至少增强36%。此外，Spot可以正确地估计实体的数量，误差在一个差异之内。这表明Spot实现了其目标，即在室内环境中为多个实体提供准确高效的纯软件DF跟踪解决方案。
2012-07-18 cs.NI
A Survey of Bluetooth Indoor Localization
本文综述蓝牙室内定位系统，分类现有技术，评估可用性、成本、可扩展性和准确性，并讨论精确蓝牙定位的挑战。
2024-04-18 cs.HC cs.NI
FAWN: A MultiEncoder Fusion-Attention Wave Network for Integrated Sensing and Communication Indoor Scene Inference
Ericsson（爱立信）
本文提出FAWN，一种基于Transformer架构的多编码器融合-注意力波网络，用于整合感知与通信的室内场景推断，通过融合Wi-Fi和5G信号提高环境感知精度。
2026-05-19 cs.LG cs.NI
A Scalable Deep Neural Network Architecture for Multi-Building and Multi-Floor Indoor Localization Based on Wi-Fi Fingerprinting
XJTLU（西交利物浦大学）
未来覆盖多层建筑群的大规模位置感知服务的关键技术之一--例如，大型购物中心和大学校园-是一种可扩展的室内定位技术。在本文中，我们报告了我们的调查使用深度神经网络（DNN）的可扩展的建筑物/楼层分类和楼层水平的位置估计的基础上的Wi-Fi指纹的现状。利用建筑物/楼层估计和位置的楼层坐标估计的分层性质，我们提出了一种新的DNN架构，该架构由用于减少特征空间维度的堆叠式自编码器和用于建筑物/楼层/位置的多标签分类的前馈分类器组成，并在其上构建了基于Wi-Fi指纹的多建筑物和多楼层室内定位系统。针对给定位置的建筑物/楼层估计和楼层坐标估计的性能的实验结果证明了所提出的基于DNN的室内定位系统的可行性，其可以使用单个DNN提供接近最先进的性能，用于在移动设备处以较低的复杂度和能耗实现。
2017-12-06 cs.LG cs.NE cs.NI
