Wireless sensor networks localization algorithms: a comprehensive survey
无线传感器网络（WSNs）近年来受到了科学界的广泛关注。具有低能耗和有限计算资源的小型廉价设备越来越多地被用于不同的应用场景，包括环境监测，目标跟踪和生物医学健康监测。在许多这样的应用中，节点定位固有地是系统参数之一。定位过程是必要的报告事件的起源，路由和回答问题的网络覆盖，协助组查询的传感器。一般来说，定位方案分为两大类：基于距离的和不依赖距离的。然而，很难将混合解决方案分类为基于范围或不基于范围。在本文中，我们使这种分类容易，其中基于范围的计划和范围的计划分为两种类型：完全计划和混合计划。此外，我们比较了最相关的定位算法，并讨论了无线传感器网络定位方案的未来研究方向。
2013-12-14 cs.NI
Localization Procedure for Randomly Deployed Wireless Sensor Networks
无线传感器网络（WSNs）由节点组成，这些节点从外部实体产生的事件中收集温度，污染或压力等指标。无线传感器网络中的本地化是至关重要的，因为收集的度量必须与发生的地点相关。本文提出了一种基于定位协议的可组合性在随机部署的无线传感器网络中进行定位的替代方法。结果表明，一个完全分布式的定位程序，实现了更高的数量比传统的，单独执行的定位协议，同时保持相同的低水平的电池消耗的定位节点。
2013-06-10 cs.NI
Multilateration: Methods For Clustering Intersection Points For Wireless Sensor Networks Localization With Distance Estimation Error
在本文中，我们描述了三种方法定位无线传感器网络节点，使用锚节点在其附近，当有一个错误的距离估计。我们使用与每个锚点的估计距离形成的圆的交点，并应用不同的方法来形成聚类。然后，我们使用聚类点来计算最终位置。
2012-03-16 cs.NI
Geometry-covering Jammer Localization based on Distance Comprehension in Wireless Sensor Networks
干扰攻击会对无线传感器网络造成严重的破坏。一旦发生干扰攻击，最紧迫的工作就是获取干扰机的位置信息。然后可以设计消除干扰影响的安全措施。本文采用几何覆盖法进行干扰机定位，以达到低能耗的目的。并利用边界节点接收到的干扰信号的功率，组成一种补偿方法，以减小干扰区域的估计误差。最后通过提取补偿后受害区域的最小覆盖圆进行定位。通过仿真分析了节点密度、干扰区域和半径对定位精度的影响。实验结果表明，该方法定位精度高，能耗低.
2015-12-21 cs.NI
A Review of Localization and Tracking Algorithms in Wireless Sensor Networks
在本文中，一个全面的调查的先驱，以及最先进的定位和跟踪方法在无线传感器网络。定位主要适用于静态传感器节点，而跟踪主要适用于移动传感器节点。定位算法大致分为基于距离的方法和不基于距离的方法。锚点和未知节点之间的估计范围（距离）在室内场景中是高度错误的。这种限制可以在很大程度上通过在无距离定位方法中采用大量现有接入点（AP）来处理。最近的工作强调使用多传感器数据，如磁，惯性，罗盘，陀螺仪，超声波，红外，视觉和/或里程表，以进一步提高定位精度。此外，跟踪方法根据过去的位置历史来预测未来的位置。即使接收到的测量中的一些是错误的，也注意到平滑的轨迹。真实的实验装置，如美国国家仪器公司（NI）的无线传感器节点，十字弓微尘和手持设备进行定位和跟踪也强调在这里。
2017-01-09 cs.NI
WiPLoc: Perpetual Indoor Localization with RF Wireless Power Transfer
室内定位是移动服务的基石。到目前为止，大多数研究工作都集中在实现亚米级的定位精度，因为许多移动应用依赖于精确的定位测量。然而，在某些情况下，需要以位置准确性换取系统可维护性。例如，在室内网络的大规模部署中，例如智能建筑中的物品监控，达到房间级定位精度可能就足够了，但更换用于定位的设备的电池可能会导致高运营成本。随着室内定位系统的普及，为它们提供完全的能量自主性将是重要的。为了解决这个问题，我们提出了WiPLoc：一种室内定位系统，旨在永久无电池运行。我们的贡献是双重的。首先，我们提出了一种新的本地化方法，利用捕获效应和正交码操作的能量水平是足够低的操作范围内的能量预算提供的远程无线电力传输。其次，我们使用现成的组件实现了WiPLoc，并在实验室环境中进行了广泛的测试。我们的测试结果表明，使用WiPLoc，每个（16 m $^{\text{2}}$）房间一个无线充电器可以实现需要定位的移动对象的永久终身操作，平均精度几乎达到90%。
2017-12-05 cs.NI
Schedule based Self Localization of asynchronous wireless nodes with experimental validation
在本文中，我们提出了时钟误差缓解的测量计划为基础的自定位系统。我们提出了测量模型的时钟误差，同时按照锚节点之间的预定传输。此外，RLS算法被提出来估计时钟误差和校准测量的自定位节点对锚节点的相对时钟误差。一个全面的实验验证提供了基于商业现成的UWB无线电根据IEEE标准化协议。
2017-02-06 cs.NI
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
An Efficient Hybrid Localization Technique in Wireless Sensor Networks
传感器节点是低成本、低功耗的设备，用于从远程位置收集物理数据和监测环境条件。无线传感器网络（Wireless Sensor Networks，WSN）是一组传感器节点的集合，它们相互协调以执行特定的任务。定位被定义为在网络中的已知位置的传感器节点的部署。本地化技术分为集中式和分布式。MDS-Map和SDP属于集中式算法，而Diffusion、Gradient、APIT、限界框、Relaxation-Based和Coordinate System Stitching属于分布式算法。在本文中，我们提出了一种新的混合定位技术，它结合了集中式和分布式算法的优点，并克服了现有技术的一些缺点。通过J-Sim仿真证明了该方案在通过改变汇聚节点、增加节点密度和增加通信范围来计算定位误差方面的优势。
2013-03-14 cs.NI
Wireless Gas Leak Detection and Localization
Berkeley Sensor and Actuator Center, University of California, Berkeley（加州大学伯克利分校传感器与执行器中心）
针对工业气体泄漏问题，提出无线检测与定位解决方案，通过监测网络收集数据，应用算法评估，取得91%检测率、三天七次误报、平均108秒检测延迟及5米定位精度等成果，并给出气体传感器设计建议。
2026-07-07 cs.NI
Underwater Optical Wireless Communications, Networking, and Localization: A Survey
水下无线通信可以通过声波、射频（RF）和光波进行。与其带宽受限的声学和RF通信相比，水下光无线通信（UOWC）可以在低延迟水平上支持更高的数据率。然而，严重的水生通道条件（例如，吸收、散射、湍流等）对UOWC提出了巨大的挑战，并大大减少了可达到的通信范围，这需要有效的网络和本地化解决方案。因此，本文从以下几个方面对水下无线光网络的挑战、发展和前景进行了全面的综述：1）潜在的网络结构; 2）物理层问题，包括传播特性、信道建模和调制技术; 3）数据链路层问题，包括链路配置、链路预算、性能指标和多址接入方案; 4）网络层主题，包括中继技术和潜在的路由算法; 5）传输层主题，如连通性，可靠性，流量和拥塞控制; 6）应用层目标和最先进的UOWN应用程序，以及7）本地化及其对UOWN层的影响。最后，我们概述了开放的研究挑战，并指出了未来的方向，水下光无线通信，网络和本地化的研究。
2018-02-28 cs.NI
Time Of Arrival Based Localization in Wireless Sensor Networks : A Linear Approach
在本文中，我们的目标是确定部署在无线传感器网络（WSN）中的节点的位置信息。我们估计一个未知的源节点的位置使用定位的线性方法的基础上在一个单一的仿真平台。首先推导了位置估计的Cramer-Rao下界（CRLB），并提出了四种线性方法，即线性最小二乘（LLS）、子空间法（SA）、加权线性最小二乘（WLLS）和两步WLS。基于仿真研究的结果进行了比较。仿真结果表明，两步加权最小二乘法具有较高的定位精度.关键词：声源定位，到达时间，线性最小二乘，子空间方法，加权线性最小二乘，两步WLS和CRLB。
2014-03-24 cs.NI
Performance Analysis of Connectivity and Localization in Multi-Hop Underwater Optical Wireless Sensor Networks
水下光学无线链路具有有限的范围和间歇性的连接，由于敌对的水上信道损伤和光学收发器之间的未对准。因此，多跳通信可以扩大通信范围，增强网络连通性，并提供更精确的网络定位方案。在这方面，本文研究了水下光无线传感器网络（UOWSNs）的连通性及其对网络定位性能的影响。首先，我们将UOWSNs建模为随机缩放的扇区图，其中传感器之间的连接由点对点有向链路建立。之后，网络连通性的概率被解析地导出为网络密度、通信范围和光发射器的发散角的函数。其次，将网络定位问题转化为无约束优化问题，并采用共轭梯度法求解。数值结果表明，不同的网络参数，如节点数，发散角，和传输范围显着影响的概率连接网络。此外，将所提出的定位技术的性能与已知的网络定位方案进行了比较，结果表明，所提出的技术的定位准确度在网络连接性、测距误差和锚点数量方面优于文献。
2018-10-27 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
Improved MDS-based Algorithm for Nodes Localization in Wireless Sensor Networks
随着近年来技术的发展，无线传感器网络（WSN）正在成为许多应用的重要组成部分。了解网络中每个传感器的确切位置是非常重要的问题。因此，本地化问题是一个不断增长的兴趣领域。将GPS接收机添加到每个传感器节点是昂贵的解决方案，并且不适用于资源有限的节点。此外，它不适合室内环境。本文提出了一种基于多维标度（MDS）技术的无线网络节点定位算法。我们的方法通过距离矩阵细化来改进MDS。使用广泛的模拟，我们详细研究了我们的方法，不同的网络拓扑结构，各种网络参数和性能问题。仿真结果表明，改进的MDS（IMDS）算法在精度方面优于著名的MDS-MAP算法[1]。
2016-06-23 cs.NI
Dead Reckoning Localization Technique for Mobile Wireless Sensor Networks
无线传感器网络中的定位不仅为节点提供了其地理位置，而且也是地理路由等其他应用的基本要求。虽然有丰富的文献可用于定位在静态无线传感器网络，没有足够的工作做移动无线传感器网络，由于节点移动性的复杂性。现有的移动无线传感器网络定位技术大多采用蒙特卡罗定位方法，不仅耗时而且占用大量内存。他们认为未知节点或锚节点是静态的。在本文中，我们提出了一种技术，称为航位推算定位移动无线传感器网络。在所提出的技术中，所有节点（未知节点以及锚节点）是移动的。DRLMSN中的本地化是在称为检查点的离散时间间隔完成的。未知节点的定位首次使用三个锚节点。对于它们的后续本地化，仅使用两个锚节点。所提出的技术估计两个可能的位置的节点使用Bezouts定理。航位推算法用于选择两个估计位置中的一个。我们已经评估DRLMSN通过模拟使用Castalia模拟器，并与王和朱提出的类似的技术称为RSS-MCL进行比较。
2015-04-26 cs.NI
On the Multidimensional Augmentation of Fingerprint Data for Indoor Localization in A Large-Scale Building Complex Based on Multi-Output Gaussian Process
University of Liverpool（利物浦大学）；Xi’an Jiaotong-Liverpool University（西交利物浦大学）
Wi-Fi指纹识别由于其不需要新的基础设施和专用设备的主要优势而成为大规模室内定位的主要解决方案。然而，在离线阶段期间用于测量定位指纹（如RSSI）的参考点（RP）的数量和分布极大地影响定位精度;例如，已知UJIIndoorLoc具有RP在建筑物和楼层上的不均匀空间分布的问题。数据增强作为一种可行的解决方案已经被提出，不仅可以改善现有指纹数据库中RP数量较少和分布不均匀的问题，而且可以减少构建新指纹数据库的人力和时间成本。本文在分析了现有文献的基础上，本文提出了一种基于多输出高斯过程（MOGP）的指纹数据多维增强方法，并利用UJIIndoorLoc数据库和现有的室内定位系统，系统地研究了增强率、MOGP核函数和模型及其超参数对室内定位性能的影响。提出了一种基于分层RNN的神经网络室内定位模型。基于实验结果的研究表明，我们可以生成高达原始数据十倍的合成RSSI指纹数据-即，增强比为10 --通过所提出的基于多维MOGP的数据增强，与单独的原始数据相比，不会显著影响室内定位性能，这扩展了组合RP的空间覆盖范围，从而可以提高不属于测试数据集的位置处的定位性能。
2022-11-19 cs.LG 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
Evolution of Target Localization in Wireless Sensor Network (WSN): A Review
无线传感器网络具有举足轻重的地位，近年来受到了研究者的广泛关注。传感器节点已经被用于诸如环境监测、安全目的应用和目标跟踪的大量应用中。后者包括目标运动的检测和监视。在本文中，我们详细探讨了著名的目标跟踪技术。现有的技术进行评估，如网络拓扑结构，目标恢复，能源效率和安全性的指标。我们还讨论了一些影响跟踪计划的性能的挑战。此外，对现有技术进行了深入的分析，并探讨了未来的发展方向。
2021-07-08 cs.NI
Multichannel RSS-based Device-Free Localization with Wireless Sensor Network
基于RSS的无设备定位（DFL）是一种非常有前途的技术，它允许在无线环境中定位目标而无需附加任何电子标签。在复杂的室内环境中，由于多径干扰，DFL的性能下降。本文提出了一种基于不同信道上RSS变化的多信道阻塞链路检测方法。与单信道检测相比，多信道检测在多径环境中被证明是非常有效的。我们还提出了一种新的定位方法称为鲁棒加权最小二乘（RWLS）方法。RWLS首先利用空间特性消除干扰环节，然后利用WLS方法进行目标定位。由于空间检测依赖于目标的未知位置。提出了一种目标位置的粗估计方法。RWLS对干扰链路具有较好的鲁棒性，且计算复杂度较低。实验结果验证了该方法的有效性。
2014-03-04 cs.NI
Avoiding the Flip Ambiguities in 2D Wireless Sensor Localization by Using Unit Disk Graph Property
在本文中，我们提出了一个基于范围的定位算法定位的无线传感器网络（WSN）在2D。一种广泛使用的算法来定位一个无线传感器网络在2D是三边测量，它运行在多项式时间。三边测量使用三个距离测量来定位节点。在某些情况下，缺乏连通性导致局部化节点的百分比较低，因为节点的位置可以使用三个距离测量来固定。我们提出了一种算法，找到一个节点的位置，除了使用第三距离测量的距离测量的情况下。如果两个节点不能感知对方，这意味着它们之间的距离大于感知范围。因此，我们的算法检查未定位节点$u$的可能位置是否在不是$u$的邻居的定位节点$\ell$的感测范围内。在这种情况下，我们排除一个可能的位置。
2016-04-12 cs.NI
Performance Analysis of an Improved Graded Precision Localization Algorithm for Wireless Sensor Networks
本文提出了一种改进的分级精度定位算法GRADESTRUCTURE，称为IGRADESTRUCTURE。GRADEFLOW的性能取决于由底层传感器网络的节点的重叠无线电范围形成的区域。不同的区域模式可能会显着改变定位的性质和精度。在IGRADEFIGURE中，提出了两个改进。首先，在固定网格节点的无线电范围中提出修改，牢记通常可用节点的实际无线电范围，以允许通过它们进行路由。路由是没有解决的GRADERNET，但最重要的是任何adhoc网络，特别是传感器网络的部署。提出了一个理论模型表示的无线电范围的网格基础设施的单元尺寸方面，以帮助进行部署计划，实现所需的精度粗粒度定位。其次，在GRADE中，可以观察到细粒度本地化与粗粒度本地化相比没有显著的性能优势。在IGRADERECT中，这个因素是通过引入一个参数来解决的，该参数可用于改进和微调细粒度定位的精度。
2010-09-15 cs.NI
A New Alternative for Traffic Hotspot Localization in Wireless Networks Using O&M Metrics
近年来，由于热点卸载解决方案的问题、具有小小区部署的异构网络（HetNet）的出现以及绿色网络，对流量定位技术的认识不断提高。以高精度定位业务热点确实非常感兴趣的是，了解如何卸载拥塞区域、小型小区应部署在何处以及如何管理它们以用于睡眠方式概念。我们提出，在本文中，一个新的热点定位技术的基础上直接开发的五个关键性能指标（KPI）提取的操作和维护（O&M）数据库的网络。这些KPI是定时提前（TA）、到达角（AoA）、相邻小区级别、加载时间和两个平均吞吐量：算术（AMT）和谐波（HMT）。这些KPI的组合使用，投影在覆盖地图上，产生了有前途的定位精度，并可以通过利用潜在热点的商业数据进一步优化。与广泛使用的探测方法相比，该解决方案可以以相当低的成本在网络中实现。
2015-03-30 cs.NI
Connectivity based technique for localization of nodes in wireless sensor networks
我们提出了一个无线传感器网络的定位算法，这是简单的设计，不涉及显着的开销，但提供了可接受的传感器节点的位置估计。该算法使用固定节点作为信标节点，以增加信标节点的数量。该算法是范围自由的，不需要任何额外的硬件进行测距。它也不涉及任何显著的本地化通信开销。仿真和实验结果表明，该算法在室外环境下具有较好的定位精度.
2016-10-03 cs.DC cs.NI
Traffic Hotspot localization in 3G and 4G wireless networks using OMC metrics
近年来，由于具有小小区部署的异构网络（HetNet）和绿色网络的出现，人们越来越意识到流量定位技术。以非常高的准确度定位热点数据业务对于了解小型小区应该部署在哪里以及如何管理睡眠方式概念确实非常有意义。在本文中，我们提出了一种新的流量定位技术的基础上，不同的关键性能指标（KPI）提取的操作和维护中心（OMC）的组合。建议的定位算法由五个主要步骤组成，每个步骤对应于每个区域的流量权重的确定，只使用一个KPI。这些KPI是定时提前（TA）、到达角（AoA）、相邻小区水平、每个小区的负载以及调和平均吞吐量（HMT）与算术平均吞吐量（AMT）。五个KPI最终由一个函数组合，该函数将从五个步骤计算的值作为变量。通过混合这样的KPI，我们表明，它是可能的，以减少显着的定位误差在一个高精度实现小细胞尺寸。
2015-03-02 cs.NI
Accurate Localization in Wireless Sensor Networks in the Presence of Cross Technology Interference
Lahore University of Management Sciences (LUMS)（拉合尔管理科学大学（LUMS））
无线传感器网络中移动节点的定位是一个活跃的研究领域。在本文中，我们提出了一种新的基于RSSI的定位算法802.15.4（ZigBee）基于无线传感器网络。我们提出并实现了一种新的基于距离的定位算法，以最大限度地减少跨技术干扰在同一频带内工作。目标是最小化定位算法的均方误差。该算法的硬件实现是在理想的（无干扰）的仿真结果，其中精度小于0.5米已经实现。
2019-05-25 cs.LG cs.NI
Improving the Performance of Deep Learning for Wireless Localization
室内定位系统通常基于WiFi或蓝牙低功耗（BLE）信标的接收信号强度指示符（RSSI）测量。在这种系统中，两种最常见的技术是三边测量和指纹识别，后者提供更高的精度。在指纹技术中，深度学习（DL）算法通常用于基于在接收器处接收的多个信标的RSSI测量来预测接收器的位置。在本文中，我们解决了将深度学习应用于无线定位的两个实际问题-将解决方案从一个无线环境转移到另一个\emph{and}小尺寸的标记数据集。首先，我们将自动超参数优化应用于用于室内无线定位的深度神经网络（DNN）系统，这使得系统易于移植到新的无线环境。其次，我们展示了如何使用未标记的数据集来增强一个典型的小标记数据集。通过应用这两种技术，我们观察到DL的性能有所提高。此外，所有相关代码都是免费提供的。
2020-06-16 cs.NI eess.SP
Geometrical Localization Algorithm for 3-D Wireless Sensor Networks
针对大规模三维无线传感器网络，提出了一种有效的距离无关定位方案。我们的系统环境包括两种类型的传感器，随机部署的静态传感器和全球定位系统配备移动传感器。这些移动的锚在网络场中移动，并以指定的时间间隔广播它们的当前位置。一旦以随机方式部署的传感器接收到三个信标消息（由锚广播的已知位置），它们就使用我们提出的算法自动计算它们的位置。我们的一个重要贡献是，我们只使用三种不同的信标消息来定位一个传感器，而据我们所知，所有以前提出的方法都使用至少四个不同的已知位置。我们的方法通过仅使用三个已知位置进行定位的能力不仅节省了计算、时间、能量，而且减少了需要部署的锚的数量，更重要的是减少了通信开销。实验结果表明，我们提出的方案提高了定位过程的整体效率显着。重要提示：本文的最终版本已被接受并发表于Journal of Wireless Personal Communication，Springer：June，2014。出版物的最终版本可在www.example.com上获得link.springer.com链接：http：//link.springer.com/article/10.1007\%2Fs11277-014-1852-6
2014-07-03 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
A Practical Localization Algorithm Based on Wireless Sensor Networks
许多定位算法和系统已经开发出了无线传感器网络的室内和室外环境。现有的定位算法为了获得更高的定位精度，往往需要额外的硬件设备，这不仅增加了成本，而且极大地限制了定位应用的范围。在本文中，我们提出了一种方法，可以有效地满足不同的定位精度要求的大多数室内和室外的定位服务在实际应用中。我们的算法是由两个阶段组成：分区阶段，其中目标区域被分割成小网格和定位细化阶段，其中可以通过应用技巧算法生成一个更高精度的位置。一个实际的演示系统，使用我们的算法已经开发，以说明其可行性和有效性。实验结果表明，该算法能够提高定位精度.
2010-11-13 cs.DC cs.NI
Nuzzer: A Large-Scale Device-Free Passive Localization System for Wireless Environments
无线局域网和移动设备的广泛使用促进了对用于无线环境的定位系统的兴趣。在基于无线的定位系统的背景下的大多数研究集中在基于设备的主动定位，其中设备被附接到被跟踪的实体。最近，已经提出了无设备被动定位（DfP），其中被跟踪实体既不需要携带设备也不需要主动参与定位过程。DfP系统基于RF信号会受到环境中人员和物体的影响这一事实。DfP概念支持广泛的应用，包括入侵检测和跟踪、边界保护和智能楼宇自动化。以前的研究主要集中在具有直接视线和/或受控环境的小区域。在本文中，我们提出的设计，实现和分析Nuzzer，一个大规模的无设备的被动定位系统的真实环境。在没有任何额外硬件的情况下，它利用已经安装的无线数据网在一个或多个监测点监测和处理从接入点发送的接收信号强度（RSS）的变化。我们提出了概率技术DfP定位和评估其性能在一个典型的办公楼，丰富的多路径，面积为1500平方米。我们的研究结果表明，Nuzzer系统仅使用两台监控笔记本电脑和三个接入点，即可提供无设备位置估计，中值距离误差小于2米。这表明Nuzzer适用于大量的应用领域。
2009-08-06 cs.NI cs.PF
Hybrid Radio-map for Noise Tolerant Wireless Indoor Localization
在无线网络中，基于无线地图的定位技术通常用于应对无线信号的复杂衰落特性，其中无线地图通过在离线阶段校准训练位置处的接收信号强度（RSS）签名来构建。然而，在恶劣的恶劣环境中，例如在船舱中，无处不在的金属结构造成严重的阴影，阻塞和多径衰落效应，即使是无线电地图也无法捕捉RSS的动态。提出了一种适用于强噪声环境的多特征无线电地图定位方法。提出在无线电地图中加入低方差特征。由于低方差签名通常是昂贵的获得，我们专注于低方差签名是稀疏的情况下。研究了多特征无线电地图离线阶段的高效构造，提出了可行域缩小和基于粒子的在线跟踪算法。仿真结果表明，与传统的无线电地图方法相比，该方法在定位精度和抗RSS噪声的鲁棒性方面都有明显的提高。
2013-12-14 cs.NI
Secure Localization in Wireless Sensor Networks: A Survey
无线传感器网络（WSNs）在过去几年中得到了研究者的关注。由微型微处理器供电的小型传感器能够支持民用和军用领域的多种应用。确定传感器的位置是大多数无线传感器网络算法和协议（包括数据标记、路由、节点识别等）的基本和必要知识。本文调查了不同的算法，已经提出了安全地确定传感器节点的位置。所谓“安全”，我们的意思是对手不能轻易影响本地传感器的准确性。换句话说，定位算法必须在多种攻击下是鲁棒的。我们提供了一个分类不同的安全本地化方案进行分类，并描述可能的攻击，可以损害本地化。此外，我们还调查了不同的安全本地化方案，并展示了它们如何映射到拟议的分类法。我们还比较了不同的方案，显示每个解决的攻击。
2010-04-19 cs.CR cs.NI
Analysis of 3D Localization in Underwater Optical Wireless Networks with Uncertain Anchor Positions
定位精度对水下光无线传感器网络的正常运行至关重要。然而，水下定位容易受到不利的环境障碍，例如由于表面和深层水流引起的漂移。这些导致所部署的锚节点位置的不确定性，并对实现准确的位置估计提出了严峻的挑战。因此，本文分析了三维（3D）定位UOWSNs的性能，并推导出一个封闭形式的表达的Cramer Rao下界（CRLB）通过使用到达时间（ToA）和到达角（AoA）的测量下存在的锚节点位置的不确定性。数值结果验证了分析结果，通过比较的定位精度的情况下，没有锚节点的位置不确定性。并与线性最小二乘法（LSS）和加权LLS（WLSS）方法进行了比较。
2019-12-23 cs.NI eess.SP
Instantaneous Wireless Robotic Node Localization Using Collaborative Direction of Arrival
University of Georgia（佐治亚大学）
本文提出一种仅依赖RSSI的在线机器人定位算法，通过协作到达方向（CDOA）结合期望最大化与粒子滤波实现厘米级高精度实时定位，并在仿真、公开数据集和真实机器人上验证其优于现有方法。
2023-07-04 cs.NI cs.RO
RayLoc: Wireless Indoor Localization via Fully Differentiable Ray-tracing
Southern University of Science and Technology（南方科技大学）；Huawei Technologies Co., Ltd（华为技术有限公司）；Nanyang Technological University（南洋理工大学）
本文提出RayLoc，将无线室内定位重新表述为无线光线追踪的逆问题，利用全可微光线追踪模拟器对感知场景参数进行反向传播以实现精确定位，并通过高斯核卷积克服稀疏梯度和局部极小值挑战，性能优于传统基线且具备跨环境泛化能力。
2025-01-21 cs.AI cs.LG cs.NI
Golden Ratio Assisted Localization for Wireless Sensor Network
本文提出黄金比定位（GRL）算法，利用黄金比优化节点部署与通信范围，在100m*100m区域内实现2.35米定位误差和1.12 microJ/节点能耗，优于DV-Hop和Centroid，适用于能量受限的大规模WSN。
2025-06-18 cs.HC cs.NI
A Game Theoretical Analysis of Localization Security in Wireless Sensor Networks with Adversaries
无线传感器网络（WSN）支持数据汇集和分布式数据处理，其传感设备非常小，易于篡改和克隆，因此传统的基于访问控制和强认证的安全解决方案难以部署。在本文中，我们看看节点定位的安全性评估的问题。特别地，我们分析了可验证多边化（VM）用于定位节点和恶意节点（即，对手）试图伪装成非恶意。我们诉诸非合作博弈论，我们模拟这种情况下，作为一个两个玩家的游戏。我们分析了最佳球员的策略，我们表明，虚拟机确实是一个适当的机制，以减少虚假的立场。
2010-08-24 cs.GT cs.NI
Cluster-based MDS Algorithm for Nodes Localization in Wireless Sensor Networks with Irregular Topologies
无线传感器网络（WSN）中的节点定位已成为研究界一个非常具有挑战性的问题。大多数无线传感器网络的应用程序是没有用的先验已知的节点位置。该问题的一个解决方案是通过向每个节点添加GPS接收器。由于这是一种昂贵的方法，不适用于室内环境，我们需要找到一种替代的智能机制来确定节点的位置。在本文中，我们提出了我们的基于聚类的多维尺度（MDS）技术的方法。我们的初步实验表明，我们的算法优于MDS-MAP[8]，特别是对于不规则拓扑结构的准确性。
2016-06-23 cs.DC cs.NI
Accuracy of Range-Based Cooperative Localization in Wireless Sensor Networks: A Lower Bound Analysis
准确的位置信息对于许多无线传感器网络（WSN）应用是必不可少的。一个位置感知的无线传感器网络通常包括两种类型的节点：传感器的位置被确定和锚的位置是已知的先验。对于基于距离的定位，传感器的位置推导出从锚到传感器和传感器到传感器的距离测量。定位精度取决于网络参数，如网络连接和大小。本文提供了一个广义的理论，定量表征网络参数和定位精度之间的关系。我们使用的平均度作为一个连接性度量，并使用几何精度稀释（DOP），相当于克拉美-拉奥界，量化定位精度。我们证明了一个新的平均几何DOP（LB-E-AGDOP）的期望下界，并推导出一个封闭形式的公式，LB-E-AGDOP只有三个参数：平均锚度，平均传感器度，传感器节点的数量。该公式表明，定位精度与平均度近似成反比，平均锚点度与平均传感器度的比值越大，定位精度越高。此外，本文还证明了LB-E-AGDOP和最佳可实现精度之间的密切联系。最后，我们通过三种不同的随机图模型的数值模拟验证了理论。
2014-03-14 cs.MA cs.NI
Memoryless Techniques and Wireless Technologies for Indoor Localization with the Internet of Things
近年来，物联网（IoT）已经发展到包括通过使用室内定位系统（IPS）和基于位置的服务（LBS）来跟踪设备。在设计IPS时，一种流行的方法涉及使用无线网络从具有预定位置的设备计算目标的大致位置。在许多智能建筑应用中，LBS是开发高效智能建筑所必需的。在本文中，我们研究了两种无记忆定位技术，K-最近邻（KNN）和朴素贝叶斯，并比较它们与简单的三边测量，在准确性，精度和复杂性。我们通过使用三种流行的物联网无线技术：Zigbee，蓝牙低功耗（BLE）和WiFi（2.4 GHz频段），以及三个实验场景来验证多个环境中的结果，对这些技术进行了全面的分析。实验结果表明，KNN是最准确的定位技术，也是最精确的定位技术。所有实验的RSSI数据集都可以在线获得。
2020-05-18 cs.NI eess.SP
Passive Sensing and Localization in an Aircraft Cabin Using a Wireless Communication Network
提出一种基于人工神经网络、利用现有 Wi-Fi/5G 信号的被动隐私保护定位系统，用于跟踪飞机客舱内乘客，实验平均精度达 12 厘米。
2023-12-18 cs.NI eess.SP
Alternating Minimization Based First-Order Method for the Wireless Sensor Network Localization Problem
我们提出了一种算法的无线传感器网络定位问题，这是基于著名的算法框架交替最小化。我们从一个非光滑和非凸的最小化，并将其转化为一个等价的光滑和非凸的问题，这是我们研究的核心。这为全局收敛的新方法铺平了道路：不仅目标函数值的序列收敛，而且位置估计的序列也收敛到作为对应（原始）目标函数的临界点的唯一位置。所提出的算法有一系列的完全分布式的完全集中式的实现，都具有全局收敛的属性。该算法在几个网络配置进行了测试，它被证明在较短的时间内产生更准确的解决方案相对于现有的方法。
2020-10-14 cs.NI math.OC
Semi-supervised t-SNE for Millimeter-wave Wireless Localization
National University of Defense Technology（国防科技大学）；Chongqing University（重庆大学）
研究了未来毫米波无线网络中基于多天线信道状态信息的分布式基站移动定位问题。针对这一问题，提出了一种半监督t分布随机邻域嵌入（St-SNE）算法，将高维CSI样本直接嵌入到二维地理地图中。我们评估的St-SNE在一个模拟的城市室外毫米波无线电接入网络的性能。我们的研究结果表明，St-SNE实现了平均定位误差为6.8米，只有5%的标记CSI样本在200*200平方米的区域与射线跟踪信道模型。St-SNE不需要多个BS之间的精确同步，并且有希望用于未来的大规模毫米波定位。
2021-11-26 cs.LG cs.NI eess.SP
Localization for Wireless Sensor Networks: A Neural Network Approach
Fiji National University（斐济国立大学）；University of the South Pacific（南太平洋大学）
随着无线传感器网络向工业领域的渗透，出现了许多研究机会。一个这样的基本和具有挑战性的应用是节点定位。本文采用了一种基于前向神经网络的方法。使用锚节点信标的接收信号强度指示符（RSSI）值。锚节点的数量和它们的配置对定位系统的精度有影响，这也是本文所讨论的。评估五种不同的训练算法，以找到最佳结果的训练算法。利用Matlab对多层感知器（MLP）神经网络模型进行训练。为了评估所提出的方法的性能在实时的，然后在Arduino微控制器上实现所获得的模型。在4个锚节点的情况下，使用12-12-2神经网络结构实现了0.2953 m的平均2D定位误差。所提出的方法也可以在任何其他嵌入式微控制器系统上实现。
2016-02-07 cs.AI cs.NI
Self-Localization of Asynchronous Wireless Nodes With Parameter Uncertainties
我们研究了一个无线网络定位的情况下，需要同步的节点是避免的。它由一组固定的锚节点和一个自定位的接收节点组成，锚节点根据给定的序列进行发送。该设置可以容纳参与序列的具有未知位置的附加节点。我们提出了一种定位方法，这是强大的锚位置和其他系统参数的不确定性。进一步，我们研究了所考虑问题的Cramér-Rao界，并通过数值模拟表明所提出的方法达到了该界.
2013-04-23 cs.IT cs.NI math.IT
Energy-Efficient Localization and Tracking of Mobile Devices in Wireless Sensor Networks
无线传感器网络（WSNs）是有效的定位和跟踪人和物体在各种工业环境。由于能耗是延长无线传感器网络寿命的关键，我们提出了一个节能的定位和跟踪（eLOT）系统，使用低成本和便携式硬件，以实现高度准确的跟踪目标。在eLOT中实现了各种基于指纹的定位和跟踪方法。为了实现高能量效率，提出了一种协调冲突和干扰的网络级方案。另一方面，基于位置信息，eLOT中的移动设备可以快速与给定区域中的特定信道相关联，同时通过避免不必要的传输来节省能量。最后，基于TI CC2530和Linux操作系统搭建了一个平台，验证了该方案在定位精度和能量效率方面的有效性。
2016-02-26 cs.IT cs.NI math.IT
Bayesian Multidimensional Scaling for Location Awareness in Hybrid-Internet of Underwater Things
水下物联网（IOUT）中传感器节点的定位由于其各种应用（例如导航、数据标记和水下物体检测）而具有相当重要的意义。因此，在本文中，我们提出了一种基于混合贝叶斯多维缩放（BMDS）的定位技术，该技术可以在完全混合的IOUT网络上工作，其中节点可以使用光学，磁感应和声学技术进行通信。这些技术已经用于水下环境中的通信;然而，缺乏定位解决方案。光和磁感应通信实现了短通信的更高数据速率。相反，声波为远程水下通信提供低数据速率。所提出的方法共同使用的光学，磁感应和声通信为基础的测距估计水下传感器节点的最终位置。此外，我们还分析了所提出的计划，推导出的混合克拉默-罗下界（HCRLB）。仿真结果提供了一个完整的比较分析所提出的方法与文献。
2021-09-07 cs.NI cs.SY eess.SP
Resource-aware Deep Learning for Wireless Fingerprinting Localization
Jožef Stefan Institute（约热夫·斯特凡研究所）
基于位置的服务已经在终端用户中流行，现在不可避免地成为新的无线基础设施和新兴业务流程的一部分。越来越流行的深度学习（DL）人工智能方法在基于大量室内无线电测量数据的无线指纹定位中表现得非常好。然而，随着复杂性的增加，这些方法在训练和后续操作方面都变得计算非常密集和耗能。仅考虑到移动用户，预计到2025年底将超过74亿，并假设服务于这些用户的网络平均每小时只需为每个用户执行一次本地化，则用于计算的机器学习模型将需要每年执行$65 \times 10^{12}$预测。再加上数百亿其他联网设备和应用程序严重依赖更频繁的位置更新，很明显，除非开发和使用更节能的模型，否则本地化将大大增加碳排放。在本章中，我们将讨论无线定位的最新成果和趋势，并探讨实现更可持续的人工智能的途径。然后，我们详细介绍了一种计算DL模型复杂性，能源消耗和碳足迹的方法，并展示了一个具体的例子，如何开发一个更具资源意识的指纹模型。最后，我们比较相关的工作在复杂性和训练CO $_2$足迹。
2022-10-12 cs.AI cs.LG cs.NI
ML-based Approaches for Wireless NLOS Localization: Input Representations and Uncertainty Estimation
Yerevan State University（埃里温国立大学）；YerevaNN（埃里瓦NN）；Institute of Informatics and Telematics, National Research Council（国家研究委员会信息学与电信研究所）
本文针对无线 NLOS 定位，比较三类输入表示并设计两种 CNN，利用丰富输出实现不可信预测识别与 top-K 候选位置预测，同时分析信号角度等特征对性能的影响。
2023-04-22 cs.AI cs.NI
A Range-Free Node Localization Method for Anisotropic Wireless Sensor Networks with Sparse Anchors
针对各向异性无线传感器网络中距离估计不准确的问题，提出了一种基于多跳路径可靠性加权的AW-MinMax无测距节点定位方法，通过矩阵变换和SCA算法求解非凸优化模型，显著提升了定位的稳定性和准确性。
2024-10-29 cs.NI eess.SP
Attending to Routers Aids Indoor Wireless Localization
University at Buffalo-SUNY（纽约州立大学布法罗分校）
本文提出'路由器关注'机制，通过引入注意力层提升室内无线定位的准确性，实验表明其性能优于现有方法超过30%。
2026-02-18 cs.AI cs.LG cs.NI
Distributed Ranging and Localization for Wireless Networks via Compressed Sensing
无线网络中基于位置的服务要求节点准确地知道它们的位置。传统的解决方案依赖于基于竞争的介质接入，其中在任何时间在任何邻域中只有一个节点可以成功地发送。本文提出了一种新的、完整的、分布式的测距和定位解决方案，该方案让网络中的所有节点同时广播它们的位置估计和测量到所有邻居的距离。通断信令被设计为克服物理半双工约束。在每次迭代中，所有节点同时发送，每个广播描述当前位置估计的码字。根据来自所有邻居的叠加信号，每个节点解码其邻居的位置，并且还使用信号强度来估计它们的距离。然后，节点在后续迭代中广播其改进的位置估计。仿真结果表明，在一个大型网络中的精确定位超过几千个符号的间隔，这表明比传统的计划ALOHA或CSMA的基础上更高的效率。
2013-09-09 cs.IT cs.NI math.IT
A UAV-assisted Wireless Localization Challenge on AERPAW
School of Electrical and Computer Engineering, University of Georgia（佐治亚大学电气与计算机工程学院）；University of North Texas（北得克萨斯大学）；NYU Tandon School of Engineering（纽约大学坦登工程学院）；Delmont Systems LLC（德尔蒙特系统有限责任公司）；North Carolina State University（北卡罗来纳州立大学）
本文介绍AERPAW平台上的无人机辅助无线定位挑战，通过真实测试平台场景验证平台能力，并总结前三名团队自动定位窄带信号的方法与经验。
2024-07-16 cs.NI cs.RO
