ChatTracer: Large Language Model Powered Real-time Bluetooth Device Tracking System
Michigan State University（密歇根州立大学）
本文提出基于大语言模型的实时蓝牙设备追踪系统ChatTracer，结合高效BLE数据包分组算法与SFT+RLHF微调策略，实验证明其定位性能优于现有方法且具备智能交互接口。
2024-07-09 cs.AI cs.NI
ATLAS: An IoT Architecture and Secure Open-source Networking Stack for Anonymous Localization and Tracking Using Smartphones and Bluetooth Beacons
蓝牙（BT）彻底改变了近距离通信，通过无线技术在日常设备中实现智能功能。物联网（IoT）最重要的子领域之一专门使用BT技术来开发灵巧家庭和环境，包括医院，建筑物，购物设施等，以提供广泛的功能，如即时和远程访问通风，照明，安全，定位和跟踪。然而，在智能基础设施中部署这些功能通常没有适当的安全措施来保护数据并保护其用户。为此，我们提出了ATLAS框架，该框架由我们新颖的物联网架构和安全网络堆栈组成，可用于通过在整个环境中部署多个蓝牙低功耗（BLE）信标来匿名定位和跟踪智能手机和可穿戴设备。拟议的网络堆栈支持在通信堆栈的所有层上进行不同级别的加密，以确保易于采用的安全设计网络架构。我们还部署了一种新的数据转换和基于指纹的定位算法，该算法在给定区域内定位用户设备方面非常有效。ATLAS框架在https://atlas-tuw.sourceforge.io上开源，以实现广泛采用和进一步的研究和开发。
2022-12-20 cs.CR cs.NI
Who Can Find My Devices? Security and Privacy of Apple's Crowd-Sourced Bluetooth Location Tracking System
一夜之间，苹果将其数千万台设备的生态系统转变为世界上最大的众包位置跟踪网络，称为离线查找（OF）。OF利用在线查找器设备使用蓝牙检测是否存在丢失的离线设备，并通过互联网向所有者报告大致位置。虽然OF不是同类系统中的第一个，但它是第一个致力于强大隐私目标的系统。特别是，OF旨在确保发现者的匿名性，所有者设备的不可跟踪性以及位置报告的机密性。本文首次全面分析了OF的安全性和隐私性。为此，我们通过逆向工程来恢复闭源OF协议的规范。我们的实验表明，未经授权的访问位置报告允许准确的设备跟踪和检索用户的顶部位置，在城市地区的误差在10米的顺序。虽然我们发现OF的设计实现了其隐私目标，但我们发现了两个不同的设计和实现缺陷，这些缺陷可能导致位置相关攻击和未经授权访问过去七天的位置历史，这可能会使用户匿名化。苹果已经部分解决了我们负责任披露后的问题。最后，我们将我们的研究成果公之于众。
2021-03-03 cs.CR cs.NI
Smart Parking System Based on Bluetooth Low Energy Beacons with Particle Filtering
针对城市停车需求增长的问题，提出基于BLE信标与粒子滤波的室内外通用智能停车系统，可实现车位导航、自动支付，经实验验证能准确识别停车位置并估算用户与信标距离。
2020-01-20 cs.NI cs.SY eess.SY
Iterative Clustering for Energy-Efficient Large-Scale Tracking Systems
提出了一种基于移动分簇的节能大规模跟踪系统设计方法。这项新技术优化了移动集群的形成，以最大限度地减少大规模跟踪系统的能耗。该技术可用于人群密度高、流动性强的大型公共集会。该技术利用智能手机中的蓝牙和Wi-Fi技术，跟踪特定区域内大量人群中的个人移动，并监控他们当前的位置和健康状况。新系统具有定位精度好、能耗低、传输延迟短、信号干扰低等优点。减少了两种类型的干扰：蓝牙和Wi-Fi信号之间，以及不同蓝牙信号之间。提出了一个整数线性规划模型来优化集群的构建。此外，建立了一个仿真模型，并在不同的条件下测试了新技术。建议的聚类技术表现出优越的性能，根据几个评价标准。
2019-02-08 cs.DC cs.NI
mD-Track: Leveraging Multi-Dimensionality in Passive Indoor Wi-Fi Tracking
Wi-Fi定位和跟踪面临天线数量（对于到达角方法）和频率带宽（对于到达时间方法）决定的准确度限制。本文介绍了mD-Track一种无设备Wi-Fi跟踪系统，能够联合融合尽可能多维度的信息，以克服每个维度的分辨率限制。通过一种新的路径分离算法，mD-Track可以以更细的分辨率解决多径问题，隔离从感兴趣的目标反射的信号。mD-Track可以仅使用单个Wi-Fi收发器对以高精度被动地定位人。mD-Track还引入了新的方法来大大简化其估计算法，实现实时操作。我们在WARP和廉价的现成商品Wi-Fi硬件上实现了mD-Track，并评估了其在不同室内环境中的性能。
2018-12-10 cs.NI
An Indoor Fingerprinting Localization Approach for ZigBee Wireless Sensor Networks
位置跟踪系统正日益成为无线传感器网络领域的研究热点。基于接收信号强度（RSS）的定位系统处于跟踪研究应用的最前沿。无线电定位指纹是最有前途的室内定位方法之一，由于其强大的精度和成本。然而，指纹识别系统需要在跟踪区域中收集大量的参考点以实现合理的定位精度。在本文中，我们提出了一种基于RSS技术的指纹定位方法。所提出的系统不需要收集大量的参考点，并提供良好的室内定位精度。所实现的方法是基于将跟踪区域划分为子区域，并通过从不同的参考点的RSS值的范围内分配一个独特的功能，每个子区域。为了测试所提出的系统的效率，一些实际的实验已经进行了使用Jennic传感器节点。
2013-08-08 cs.NI
Localization Technologies for Indoor Human Tracking
无线定位技术的发展为在室内场景中为人类服务提供了一个充满希望的未来。它们的应用包括实时跟踪、活动识别、医疗保健、导航、紧急情况检测和感兴趣的目标监控等。此外，室内定位技术解决了GPS（全球定位系统）在建筑物内的低效率问题。由于人们大部分时间都在室内环境中度过，因此室内跟踪服务具有很大的公众需求。基于这一观察，本文旨在更好地了解最先进的技术，并激励在这一领域的新的研究工作。为了这些目的，现有的定位技术，可用于跟踪个人在室内环境中进行审查，以及一些进一步的讨论。
2010-03-09 cs.DC 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
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
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
AirTags for Human Localization, Not Just Objects
UbiLoc 利用 Apple AirTags 的超宽带技术实现免校准的厘米级室内人类定位，通过新颖的 AirTag 选择技术抑制多径和噪声误差，在真实环境中中位误差低至 26 厘米，为下一代室内定位提供了可靠方案。
2024-10-03 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
Exploring the Suitability of BLE Beacons to Track Poacher Vehicles in Harsh Jungle Terrains
我们的总体目标是探索我们是否可以使用蓝牙低功耗（BLE）技术来跟踪马来西亚沙巴州等偏远农村地区的偷猎者车辆，特别是在丛林地形深处，几乎没有通信技术存在。跟踪技术目前仅限于依赖卫星或蜂窝塔，对于不允许访问这些信号的环境，几乎没有可行的替代方案。本文探讨了使用BLE作为一种方法来跟踪车辆。它的工作原理是在路边安装蓝牙信标，并将接收器隐藏在车内的某个地方。当车辆驶过信标时，接收器和信标暂时在范围内，接收器然后存储来自信标的唯一ID，并且当车辆然后处于具有GSM信号的区域中时，发送包含已检测到的信标的唯一ID的SMS。该项目是与马来西亚沙巴州的Danau Girang实地中心合作制作原型和测试的。这些结果提供了有关BLE信标在跟踪情况下的有效性的见解，即信标和接收器在短时间内处于范围内，以及不同的障碍物将如何影响信号的范围和强度。值得注意的是，我们的目标不是抓住偷猎者，而是了解他们如何在丛林地形中移动，因为我们可以利用这些信息制定一个全面的计划来打击偷猎活动。
2019-11-05 cs.NI
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
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
An Indoor Localization Dataset and Data Collection Framework with High Precision Position Annotation
Galatasaray University（加拉塔萨雷大学）；Boğaziçi University（博阿齐奇大学）
我们介绍了一种新的技术和相关的高分辨率数据集，旨在精确评估基于无线信号的室内定位算法。该技术实现了基于增强现实（AR）的定位系统，该定位系统用于用高精度位置数据来注释无线信号参数数据样本。我们在装饰有AR标记的区域中跟踪相机和蓝牙低功耗（BLE）信标的实用且低成本的可导航设置的位置。我们最大限度地提高性能的AR为基础的本地化，通过使用冗余数量的标记。由摄像机捕获的视频流经过一系列标记识别、子集选择和过滤操作，以产生高度精确的姿态估计。我们的研究结果表明，我们可以减少AR定位系统的位置误差率低于0.05米。然后，位置数据用于注释由位于环境中的传感器同时捕获的BLE数据，因此，构建具有地面实况的无线信号数据集，这允许准确地评估基于无线信号的定位系统。
2022-09-06 cs.CV cs.LG cs.NI
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
