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
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
Ray-Traced Augmentation for Signal Strength Based Localization
University of Alberta(阿尔伯塔大学);University of Waterloo(滑铁卢大学)
该研究提出基于光线追踪的框架,结合贝叶斯优化与ResNet架构,生成合成RSS指纹数据集,在仅用合成数据训练时,其定位误差3.05米,比最优基准提升33.6%,可减少真实RSS指纹的采集需求。
2026-08-26 cs.NI
Design and Implementation of an RSSI-Based Bluetooth Low Energy Indoor Localization System
本文设计并实现了一种基于RSSI的蓝牙低功耗室内定位系统,采用低复杂度加权k近邻算法处理无连接iBeacon数据,在7.2m×7.2m房间内实现0.72m平均误差,且固定信标功耗仅50uA,续航超一年。
2023-10-23 cs.NI eess.SP
Orientation-Aware Deep Learning Framework for RSSI-Based Indoor Localization in RIS-Aided mmWave Systems
Iowa State University of Science and Technology(爱荷华州立大学);King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学)
针对RIS辅助mmWave系统中设备方向变化影响RSSI室内定位的问题,提出O-DSG深度学习框架,结合方向分类与双流结构,在28 GHz NLoS场景下实现0.141 m中位定位误差,性能优于基准模型。
2026-10-16 cs.NI eess.SP
Localizacao 3D em sistemas RFID com leitor movel
射频识别技术已广泛应用于室内物体定位。本文提出了一种基于移动阅读器和真实(无源)和虚拟标签的参考矩阵的系统的3D定位算法。该算法将目标标签的RSSI与参考矩阵的标签的RSSI进行比较,并定义估计位置。初步结果表明,定位方案可能是有前途的室内定位的标签。
2017-06-01 cs.NI
An Intelligent Indoor Positioning Algorithm Based on Wi-Fi and Bluetooth Low Energy
本文提出一种融合Wi-Fi与BLE的室内定位算法,利用卡尔曼滤波去噪、KNN分类及RNN估计,在ESP32平台上实现平均误差61.29厘米,较现有方法提升56%。
2023-12-25 cs.NI eess.SP
A Localization Strategy Based on N-times Trilateral Centroid with Weight
基于接收信号强度指示(RSSI)的定位技术是一种低成本、低复杂度的定位技术,广泛应用于无线传感器网络(WSNs)的距离定位。现有的定位技术误差较大。本文提出了N次三边质心加权定位算法(NTCWLA),该算法可以大大减小定位误差。考虑到RSSI的不稳定性,我们使用多个RSSI的加权平均值作为当前RSSI。为了提高定位精度,我们选择了一些(不少于三个)可靠的信标节点,以增加定位时间。然后利用经验公式计算可靠信标节点与移动节点之间的距离。使用三边质心算法定位移动节点N次。最后,将滤波后参考坐标的加权平均值作为移动节点的坐标。我们进行了实验与STM32W108芯片,支持IEEE 802.15.4。实验结果表明,该算法优于三边质心算法。
2013-12-24 cs.NI
Domain Adversarial Graph Convolutional Network Based on RSSI and Crowdsensing for Indoor Localization
The University of Tokyo(东京大学)
提出WiDAGCN模型,通过少量标注和大量未标注群智感知WiFi指纹构建RSSI异构图,结合GCN提取图级嵌入并采用半监督域对抗训练,有效提升了大型多层建筑的室内定位精度。
2023-03-31 cs.LG cs.NI eess.SP
Environment-Aware Indoor LoRaWAN Ranging Using Path Loss Model Inversion and Adaptive RSSI Filtering
Department of Electrical Engineering and Computer Science, University of Siegen(电气工程与计算机科学系,锡根大学)
针对LoRaWAN室内测距受非平稳衰减影响的问题,提出结合环境感知多墙路径损耗模型与卡尔曼预滤波器的轻量流程,在单网关办公室数据集上实现4.74米MAE的测距精度,优于基线模型。
2025-11-10 cs.AI cs.LG cs.NI
Enhancing the Accuracy of Device-free Localization Using Spectral Properties of the RSS
在过去的几年中,基于接收信号强度的无设备定位在研究界引起了相当大的关注,以定位和跟踪没有携带任何电子设备的人。通常,使用将时域信号强度测量与人的位置相关的空间模型来定位人。可替换地,可以利用反映无线传播介质被改变的速率的接收信号强度的频谱特性,这是在相关文献中尚未利用的机会。在本文中,信号强度测量的功率谱密度与人的位置和速度有关,以增强基于粒子滤波的跟踪算法与额外的测量。系统性能进行了评估,使用模拟和实验数据验证。与仅依赖于时域测量的系统相比,结果表明,当使用512个粒子时,对参数变化的鲁棒性增加,而跟踪精度提高了50%或更多。
2014-08-19 cs.NI
DorFin: WiFi Fingerprint-based Localization Revisited
虽然基于WiFi指纹的室内定位具有吸引力,但其准确性仍然是主要挑战,特别是在移动环境中。现有的方法要么诉诸物理层信息,要么依赖于额外的无线信号来获得高精度。在本文中,我们重新审视了基于RSS指纹的本地化方案,并揭示了作为本地化错误的根本原因的关键观察结果,但令人惊讶的是,这些观察结果在以前的作品中被忽视甚至看不到。具体而言,我们认识到AP对特定位置的指纹识别的多样性歧视,观察由信号波动和人体阻塞引起的RSS不一致性,并发现商品智能手机上的RSS过时问题。受这些见解的启发,我们设计了一个区分因子来量化不同AP的区分,结合稳健的回归来容忍离群值测量,并重新组装不同的指纹来应对过时的RSS。将这些技术结合在一个统一的解决方案中,我们提出了DorFin,一种新的指纹生成,表示和匹配的方案,它产生了显着的准确性,而不会产生额外的成本。大量的实验表明,DorFin实现了2米的平均误差,更重要的是,将第95百分位误差限制在5.5米以下;与Horus和RADAR等最先进的方案相比,这些误差分别降低了约56%和69%。
2013-08-30 cs.NI
Multi-Output Gaussian Process-Based Data Augmentation for Multi-Building and Multi-Floor Indoor Localization
Xi’an Jiaotong-Liverpool University(西交利物浦大学);University of Liverpool(利物浦大学)
针对COVID-19下室内定位数据收集困难,提出基于MOGP的三种RSSI数据增强方法,实验证明按单建筑增强UJIIndoorLoc训练RNN模型效果最佳,定位误差8.42米。
2023-08-01 cs.LG cs.NI eess.SP
Never Use Labels: Signal Strength-Based Bayesian Device-Free Localization in Changing Environments
无设备定位(DFL)方法使用多对RF节点之间的接收信号强度(RSS)的测量变化来提供无线网络内的人的位置估计。RSS DFL方法的基本挑战包括具有作为人的位置的函数的RSS测量的模型,以及在环境随时间变化时保持准确的模型。目前的方法依赖于标记的空区域校准或标记的指纹与一个人在每个位置。两者都需要经常重新校准或重新培训,以跟上不断变化的环境。其他DFL方法仅定位运动中的人。在本文中,我们解决这些挑战,首先,介绍了一个新的混合模型的链接RSS作为一个人的位置的函数,第二,提供的框架来更新模型参数,而无需提供标记的数据从空区或已知的位置类。我们开发了两个新的贝叶斯定位方法的基础上,我们的混合模型和实验验证我们的系统在三个测试站点,七天的测量。我们证明,我们的方法本地化的人在不断变化的环境中的非退化性能,此外,减少定位误差的11-51%相比,其他DFL方法。
2018-12-12 cs.NI
An iBeacon based Proximity and Indoor Localization System
针对 iBeacon 依赖 RSSI 导致邻近检测和室内定位精度不足的问题,本文提出 SRA、SKF 及级联 KFPF 算法,显著提升检测与 2D/3D 定位精度。
2017-03-24 cs.NI
A Multi-Scale Spatial Model for RSS-based Device-Free Localization
基于RSS的无设备定位(DFL)监测由静态无线节点网络测量的接收信号强度(RSS)的变化,以定位人员,而不需要他们携带或佩戴任何电子设备。目前的模型假设空间影响区域,即,一个人影响一个链接的RSS的区域,有恒定的大小。本文表明,空间的影响范围有很大的不同,为每个环节。来自广泛实验的数据被用于导出作为衰落水平的函数的多尺度空间权重模型,即,预测和测量的RSS之间的差异,以及RSS变化的方向。此外,提出了一种测量模型,它给出了一个人的概率内的衍生的空间模型,为每个给定的RSS测量。描述了一种实时无线电断层成像系统,该系统使用信道分集和所提出的模型。在一个开放的室内环境中,在一个典型的一居室公寓,并在一个通过墙壁的情况下进行实验,以确定系统的准确性。我们证明了新系统能够在所有环境中以高精度(<0.30 m)定位和跟踪一个人,而不需要改变模型参数。
2013-02-24 cs.HC cs.NI
An Adaptive Indoor Localization Approach Using WiFi RSSI Fingerprinting with SLAM-Enabled Robotic Platform and Deep Neural Networks
University of New Brunswick(新不伦瑞克大学);RMIT University(皇家墨尔本理工大学)
提出一种基于SLAM机器人平台自动构建WiFi指纹数据集并训练DNN的室内定位方法,无需预定义地图且减少人工干预,定位精度提升26%,数据集密度增六倍且构建时间缩短至三分之一。
2024-07-30 cs.ET cs.NI cs.RO
Robust Estimators for Variance-Based Device-Free Localization and Tracking
在无线链路附近的人体运动引起链路接收信号强度(RSS)的变化。无设备定位(DFL)系统,例如基于方差的无线电断层成像(VRTI),在静态无线网络中使用这些RSS变体来检测、定位和跟踪网络区域中的人,甚至穿过墙壁。然而,内在运动,如树枝在风中移动和旋转或振动机械,也会导致RSS变化,降低DFL系统的性能。在本文中,我们提出并评估两个估计,以减少由内在运动引起的变化的影响。一个估计器使用子空间分解,另一个估计器使用最小二乘公式。实验结果表明,这两种估计器减少定位均方根误差约40%相比,VRTI。此外,卡尔曼滤波器跟踪结果从两个估计器有97%的误差小于1.3米,超过60%的改进相比,跟踪结果从VRTI。
2011-09-26 cs.NI
Investigation of indoor localization with ambient FM radio stations
本地化在许多普适计算应用中起着至关重要的作用。虽然基于GPS的室外位置感知服务正变得越来越流行,但由于缺乏广泛可用的室内定位系统,它们向室内环境的扩散受到限制。室内定位的事实标准基于Wi-Fi,虽然存在其他定位替代方案,但它们要么需要昂贵的硬件,要么提供低精度。本文提出了一种定位系统,利用广播调频广播电台的信号的调查。FM电台提供全球覆盖,而FM调谐器在许多移动设备中都是现成的。实验结果表明,FM收音机可用于室内定位,同时提供比Wi-Fi更长的电池寿命,使FM成为定位的替代选择。
2013-08-06 cs.NI
A Fast-rate WLAN Measurement Tool for Improved Miss-rate in Indoor Navigation
近来,基于位置的服务(LBS)已经将注意力转向室内定位系统(IPS)。基于WLAN的IPS依赖于接收信号强度(RSS)测量,例如指纹识别,由于其结果的高准确性而越来越受欢迎。典型地,在来自若干WLAN接入点(AP)的所选位置处的RSS测量的集合用于校准系统。从WLAN卡检索这样的测量值通常是以1Hz的速率。这种测量收集对于将指纹与位置对准的离线无线电地图勘测阶段是需要的,并且对于在线导航阶段是需要的,此时所收集的测量与用于用户导航的无线电地图相关联。由于WLAN网络最初不是为定位而设计的,因此RSS测量缺失可能对指纹识别系统产生很大影响。此外,测量波动需要费力的信号处理,并且测量过程可能非常耗时。本文提出了一种快速测量收集方法,通过在给定的一秒窗口期间实现更高的RSS测量收集概率来解决先前提到的问题。这意味着更多的数据用于统计处理和更快的调查。快速收集的方法进行了分析,对传统的测量率在一个建议的测试方法,模仿现实生活中的情况下,IPS的调查和在线导航。
2019-06-30 cs.NI cs.PF cs.SE
Finding by Counting: A Probabilistic Packet Count Model for Indoor Localization in BLE Environments
我们提出了一个概率数据包接收模型的蓝牙低功耗(BLE)数据包在室内空间,我们验证了该模型,使用它的室内定位。我们期望室内定位在未来的室内公共空间中发挥重要作用。我们将数据包的接收概率建模为距离、信标功率和广告频率的广义二次函数。然后,我们使用贝叶斯公式来确定数据包丢失模型的系数,使用我们的测试床的经验观察。我们开发了一个新的顺序蒙特卡罗算法,使用我们的数据包计数模型。该算法是通用的,足以适应不同的空间配置。我们有很好的室内定位实验:我们的方法有一个平均误差为1.2米,53%低于基线的距离无关的蒙特卡罗定位算法。
2017-08-27 cs.NI
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
Indoor Localization Based on MSC Map
该研究提出基于AI识别周围蜂窝信号调制与编码方案(MCS)的技术,并依托构建的MCS地图评估室内定位技术的性能,为室内定位研究提供了新的技术路径。
2025-03-21 cs.NI
Cramer-Rao Bounds for Joint RSS/DoA-Based Primary-User Localization in Cognitive Radio Networks
关于授权主用户(PU)的位置的知识可以使认知无线电(CR)网络中的几个关键功能,包括改进的时空感测,智能位置感知路由,以及协助频谱政策的执行。在本文中,我们认为可实现的精度PU定位算法,联合利用接收信号强度(RSS)和到达方向(DoA)的测量,通过评估克拉美-罗界(CRB)。以前的作品分别评估的CRB的RSS和DoA的定位算法,并假设DoA估计误差方差是一个固定的常数或独立的RSS。我们推导出CRB联合RSS/DoA为基础的PU定位算法的基础上的数学模型的DoA估计误差方差作为RSS的函数,对于一个给定的CR放置。与实际的定位算法和几个关键参数,如节点数,天线和样本数,信道遮蔽方差和相关距离的影响进行了比较,可实现的精度进行了深入的分析和讨论。我们还推导出封闭形式的渐近CRB均匀随机CR放置,并进行理论和数值研究所需数量的CR,使渐近CRB紧密近似的CRB的数值积分为一个给定的位置。
2012-07-05 cs.IT cs.NI cs.PF
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
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
Lookup Lateration: Mapping of Received Signal Strength to Position for Geo-Localization in Outdoor Urban Areas
在城市环境中,基于接收信号强度(RSS)的移动设备精确定位受到信号传播路径障碍物的影响,现有的定位方法各有优缺点。三角测量(TL)是快速和可扩展的,但采用单调的RSS到距离的转换,不幸的是假设移动设备在视线上。射频指纹(RFP)方法采用参考数据库,这确保了准确的定位,但不幸的是,阻碍了可扩展性。在这里,我们提出了一种新的,简单的,强大的方法称为查找测边(LL),它结合了TL和RFP的优点,而没有它们的缺点。像RFP一样,LL采用参考位置的数据集,但将它们存储在相对于RSS和天线塔的单独查找表中。通过仅在关联查找表中标识公共位置来定位查询观察。由于这种去中心化,LL比RFP快两个数量级,使其特别适用于大城市。此外,我们表明,分析和实验,LL实现更高的定位精度比RFP以及。例如,在Urban Hannover Scenario数据集上,使用网格大小20 m,LL达到9.11 m和55.66 m,而RFP分别达到72.50 m和242.19 m的定位误差,分别为67%和95%。
2018-09-25 cs.NI
Indoor Localization Algorithm For Smartphones
越来越多的传感器测量和先验知识的来源已经变得可用于智能手机上的室内定位。如何有效地利用这些资源来提高定位精度是一个重要而具有挑战性的问题。在本文中,我们提出了一个区域状态辅助定位算法,利用各种来源的信息。具体来说,我们引入区域状态的概念来指示用户在室内地图上的区域。然后,借助于区域状态,使用惯性测量单元(IMU)测量来估计用户的位置。进而基于位置估计更新区域状态。为了避免IMU测量的累积误差,我们的算法使用WiFi接收信号强度指示器(RSSI)来指示用户到路由器的附近。实验结果表明,在典型的室内环境中,该系统能够达到满意的定位精度。
2015-03-26 cs.NI
TuRF: Fast Data Collection for Fingerprint-based Indoor Localization
许多无基础设施的室内定位系统依赖于细粒度的位置相关指纹来训练用于定位的模型。收集指纹的现场调查过程很费力,被认为是部署这种系统的主要障碍之一。在本文中,我们提出了TuRF,一个快速的基于路径的指纹采集机制,现场调查。我们证明了在沿着预定义的路径行走时收集指纹进行室内定位的可行性。一个步计数器被用来适应步行速度的变化。从步骤推断的近似位置标签然后用于训练高斯过程回归模型。大量的实验表明,TuRF可以显着减少所需的时间进行现场调查,而不影响定位性能。
2017-05-21 cs.NI
Multiple Sources Localization with Sparse Recovery under Log-normal Shadow Fading
基于接收信号强度(RSS)的定位方法在无线传感器网络(WSN)中引起了极大的兴趣。本文研究了阴影衰落下发射功率未知的基于RSS的多源定位问题。采用Fenton-Wilkinson(F-W)方法近似对数正态阴影效应,并采用极大似然估计对基于RSS的多源定位问题进行优化。此外,我们利用稀疏恢复和加权平均的候选人(SR-WAC)为基础的方法来建立一个初始化,它可以有效地接近一个优越的局部最优解。仿真结果表明,该方法具有较高的定位精度,优于其他方法
2021-04-01 cs.NI eess.SP
A Survey of Indoor Localization Systems and Technologies
室内本地化最近引起了人们的兴趣,这是由于它可以通过利用物联网(IoT)和无处不在的连接提供潜在的广泛服务。在文献中已经提出了不同的技术、无线技术和机制来提供室内定位服务,以便改进提供给用户的服务。然而,缺乏一个最新的调查文件,其中包括一些最近提出的准确和可靠的定位系统。在本文中,我们的目的是提供一个详细的调查不同的室内定位技术,如到达角(AoA),飞行时间(ToF),返回时间的飞行(RTOF),接收信号强度(RSS);技术的基础上,如WiFi,射频识别设备(RFID),超宽带(UWB),蓝牙和系统,已在文献中提出。本文主要讨论人类用户及其设备的定位和定位。我们强调现有的文献中提出的系统的优势。与现有的调查相比,我们还从能源效率,可用性,成本,接收范围,延迟,可扩展性和跟踪准确性的角度评估不同的系统。我们不是比较技术或技术,而是比较定位系统并总结其工作原理。我们还讨论了准确的室内定位仍然存在的挑战。
2019-01-16 cs.NI
CSI-based Fingerprinting for Indoor Localization: A Deep Learning Approach
随着室内环境中基于位置的服务需求的快速增长,基于指纹的室内定位由于其高精度而引起了人们的极大兴趣。在本文中,我们提出了一种新的基于深度学习的室内指纹识别系统,使用信道状态信息(CSI),这被称为DeepFi。基于CSI的三个假设,DeepFi系统架构包括离线训练阶段和在线定位阶段。在离线训练阶段,利用深度学习来训练深度网络的所有权重作为指纹。此外,使用贪婪学习算法对权值进行逐层训练,以降低复杂度。在在线定位阶段,我们使用基于径向基函数的概率方法来获得估计位置。实验结果表明,与现有的三种方法相比,DeepFi在两种典型的室内环境中可以有效地减少定位误差。
2016-03-23 cs.NI
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
Structured Group Sparsity: A Novel Indoor WLAN Localization, Outlier Detection, and Radio Map Interpolation Scheme
The University of Texas at San Antonio(得克萨斯大学圣安东尼奥分校)
本文介绍了室内定位,离群点检测,无线地图插值使用无线局域网(WLAN)的新方案。定位方法由一种新的多分量优化技术,最大限度地减少无线电地图和在线接收信号强度(RSS)测量,用户的位置矢量的$\ell_{1}$-范数之间的残差的平方$\ell_{2}$-范数,和加权$\ell_{2}$ -范数分层组的参考点(RP)。RP分组使用一个新的标准的基础上,所谓的接入点(AP)覆盖向量之间的相似性。此外,由于AP读数容易包含不协调的读数,称为离群值,提出了一个增强的优化问题,以检测离群值和本地化的用户与清洁的在线测量。此外,一种新的计划,以记录指纹从一个较小的RP和估计的无线电地图RP没有记录的指纹使用稀疏恢复技术。所有的本地化方案进行了测试,从一个真实的环境中收集的RSS指纹。整个方案具有与竞争方法相当的复杂性,同时在少量AP和更细粒度的RP下具有高精度。
2016-10-18 cs.LG cs.NI
Fast Radio Map Construction and Position Estimation via Direct Mapping for WLAN Indoor Localization System
限制基于无线局域网(WLAN)的室内定位系统与接收信号强度(RSS)定位算法的快速和全面应用的主要限制是指纹无线电地图的构建,这是耗时的,特别是当室内环境较大和/或具有高频率变化时。已经提出了不同的方法来减少工作负载,包括指纹部署和更新工作,但是当工作负载减少到一定水平以下时,性能会大大降低。在本文中,我们提出了一个室内定位的情况下,应用度量学习和流形对齐,实现直接映射定位(DML)使用低分辨率的无线电地图与单一样本的RSS,减少指纹的工作量高达87%。与以前的工作相比。提出的两种定位方法,DML和$k$最近邻居基于重建的无线电地图(reKNN),被证明是实现小于4.3\ m和3.7\ m的平均定位误差分别在一个典型的办公室环境中的面积约为170\ m $^2$,而采用扰动算法的无监督定位的平均定位误差为4.7 m,工作量是所提出方法的8倍.对于房间级定位应用,DML和reKNN的定位误差均小于9 m,能够以99%以上的精度区分不同的房间。
2017-04-03 cs.NI stat.AP
RTI Goes Wild: Radio Tomographic Imaging for Outdoor People Detection and Localization
RF传感器网络用于定位室内人员,而无需他们佩戴侵入性电子设备。这些由低功率无线电收发器形成的无线网状网络持续测量链路的接收信号强度(RSS)。无线电断层成像(RTI)是一种生成无线电收发器覆盖的区域内的电磁场变化的2D图像以发现动物(例如,人,大型动物)或大型金属物体(例如,汽车)。在这里,我们提出了一个RTI系统,用于定位和跟踪户外的人。与室内环境相比,室外RSS信号是时变的,例如,由于风吹落叶或风吹树叶。我们提出了一种新的户外RTI方法,尽管非平稳噪声引入的RSS数据的环境,实现了高定位精度,并大大降低了传感单元的能耗。实验结果表明,该系统准确地检测和跟踪一个人在不同的环境条件下,在一个大的森林区域实时,显着减少误报,定位误差和能源消耗相比,最先进的RTI方法。
2014-07-30 cs.ET cs.NI
EKF-Based Fusion of Wi-Fi/LiDAR/IMU for Indoor Localization and Navigation
School of Advanced Technology, Xi'an Jiaotong-Liverpool University(西安交通大学利物浦大学先进技术学院);Department of Electrical Engineering and Electronics, University of Liverpool(利物浦大学电子工程系);Zhejiang University of Technology(浙江工业大学);School of Artificial Intelligence, Suzhou Vocational Institute of Industrial Technology(苏州工业职业技术学院人工智能学院)
提出一种基于EKF融合Wi-Fi RSSI指纹、LiDAR SLAM与IMU的室内定位导航框架,实验证明其可抑制噪声与漂移,显著提升多路径场景下的定位精度与稳定性。
2025-09-27 cs.LG cs.NI cs.RO
Static vs. Dynamic Databases for Indoor Localization based on Wi-Fi Fingerprinting: A Discussion from a Data Perspective
School of Advanced Technology, Xi’an Jiaotong-Liverpool University(西交利物浦大学先进技术学院);University of Liverpool(利物浦大学)
本文从数据视角讨论Wi-Fi指纹室内定位中静态与动态数据库的差异,并通过西交利物浦大学44天动态数据库案例揭示RSSI时间漂移导致定位误差增大,强调采用动态数据库的重要性。
2024-02-20 cs.LG cs.NI
On the Effective Usage of Priors in RSS-based Localization
Technische Universität Berlin(柏林工业大学);Technion – Israel Institute of Technology(以色列理工学院)
在本文中,我们研究了密集的城市环境中的定位问题。在这样的环境中,由于存在像建筑物这样的障碍物,全球导航卫星系统不能提供良好的精度,这是由于要定位的接收器(Rx)和卫星之间的视线(LOS)链路的可能性低。因此,人们不得不求助于可以在非视距(NLOS)条件下可靠地操作的其他技术。最近,我们提出了一种基于接收信号强度(RSS)指纹和卷积神经网络的算法LocUNet,并证明了其相对于广泛采用的k-最近邻(kNN)算法和最先进的到达时间(ToA)测距方法的最先进的定位性能。在当前的工作中,我们首先认识到LocUNet能够从训练数据中学习Rx位置或Rx和发射机(Tx)关联偏好的潜在先验分布,并将其高性能归因于这些。相反,我们表明,经典的方法基于概率的方法,可以大大受益于适当的纳入这样的先验信息。我们的研究还在数值上证明了LocUNet在许多设置中接近最佳性能,通过将其与理论上的最佳配方进行比较。
2022-11-28 cs.LG cs.NI eess.SP
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
Packet Reception Probability: Packets That You Can't Decode Can Help Keep You Safe
针对BLE基于RSSI测距受采样偏差和多径影响的问题,提出利用丢包的PRP度量及含多径模型的Bayesian-PRP定位法,仅需6个设备和12个训练点即可实现米级精度。
2023-06-02 cs.NI eess.SP
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
Multipath Reflections Analysis on Indoor Visible Light Positioning System
可见光通信(VLC)是近年来研究的热点,在室内环境中有着广泛的应用。特别地,对于基于位置的服务(LBS),可见光还提供了用于室内定位的实用解决方案。多径色散是复杂室内环境中的主要问题之一。它不仅影响通信性能,而且影响定位精度。在本文中,我们调查的多径反射对室内VLC定位系统的定位精度的影响。结合确定性和改进的蒙特卡罗(CDMMC)方法被用来估计考虑多径反射的信道冲激响应。由于接收信号强度(RSS)信息用于定位算法,因此首先计算来自典型房间配置中的一个发射器的功率分布。然后,定位精度的均方根误差方面得到和分析。
2015-04-06 cs.NI physics.optics
Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach
TU Berlin(柏林工业大学);Technion - Israel Institute of Technology(以色列理工学院);LMU Munich(慕尼黑大学);University of Tromsø(特罗姆瑟大学)
针对城市环境中卫星定位精度差的问题,提出端到端卷积神经网络LocUNet,利用基站路径损耗无线电地图估计和少量基站RSS测量值实现高精度实时室外定位,无需区域RSS指纹,并发布两个城市环境数据集,数值实验证明其优于现有RSS和ToA方法。
2023-04-09 cs.LG cs.NI eess.SP
Dataset of Pathloss and ToA Radio Maps With Localization Application
Technical University of Berlin(柏林工业大学);Technion – Israel Institute of Technology(以色列理工学院);Ludwig Maximilian University of Munich(慕尼黑大学);University of Tromsø(特罗姆瑟大学);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心)
本文公开了一组密集城市场景下的路径损耗/RSS与ToA无线地图数据集,可用于深度学习路径损耗预测与无线定位研究,能支撑两类定位方法的公平对比。
2024-09-16 cs.LG cs.NI eess.SP
Discriminative Learning-based Smartphone Indoor Localization
由于无处不在的移动应用领域的不断增长,智能手机的室内定位已经成为一个有趣的研究课题。目前大多数室内定位系统依赖于密集的现场调查,以实现高精度。在这项工作中,我们提出了一个有效的智能手机室内定位系统,能够减少现场调查工作,同时仍然实现高定位精度。我们的系统是通过在增强型粒子滤波器中融合各种信号而构建的,例如Wi-Fi接收信号强度指示器,磁场和楼层平面图信息。为了实现高而稳定的性能,我们首先应用判别式学习模型来整合Wi-Fi和磁场读数,以实现房间级地标检测。此外,我们集成了地标检测,基于范围的定位模型,与基于图形的离散化系统状态表示。由于我们的方法只需要基于区分学习的房间级地标检测,因此与传统的Wi-Fi指纹识别或基于地标的方法相比,学习阶段所花费的时间显着减少。我们进行实验研究,以评估我们的系统在办公室一样的室内环境。实验结果表明,我们的系统可以显着减少学习的努力,定位方法可以实现性能的平均定位误差为1.55米。
2018-04-11 cs.NI eess.SP
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
Hierarchical Multi-Building And Multi-Floor Indoor Localization Based On Recurrent Neural Networks
Xi'an Jiaotong-Liverpool University(西交利物浦大学)
在现代城市中,从户外生活方式转向室内生活方式的趋势越来越明显。大型购物中心、室内体育场馆、工厂和仓库的出现正在加速这一趋势。在这样的环境中,室内定位成为必要的服务之一,并且要部署的室内定位系统应该是可扩展的,足以覆盖那些室内设施的预期扩展。室内定位的最经济和实用的方法之一是Wi-Fi指纹识别,其利用使用移动设备(例如,智能手机),而无需对现有基础设施进行任何修改。传统的Wi-Fi指纹识别方案依赖于复杂的数据预/后处理和耗时的手动参数调整。在本文中,我们提出了分层的多建筑物和多楼层的室内定位的基础上,使用Wi-Fi指纹的递归神经网络(RNN),消除了复杂的数据预/后处理的需要和较少的参数调整。所提出的方案中的RNN以从一般到特定的顺序方式估计位置(例如,建筑物->楼层->位置),以便利用多建筑物和多楼层环境中的定位的分层性质。UJIIndoorLoc数据集的实验结果表明,该方案估计建筑物和地板的准确度分别为100%和95.24%,并提供8.62米的三维定位误差,这优于现有的基于深度神经网络的方案。
2021-12-23 cs.LG 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
Multi-Modal Recurrent Fusion for Indoor Localization
Virginia Tech(弗吉尼亚理工学院暨州立大学)
本文考虑使用包括Wi-Fi、惯性测量单元(IMU)和超宽带(UWB)在内的多模无线信号进行室内定位。通过将定位问题描述为多模态序列回归问题,提出了一种多流递归融合方法,该方法在递归神经网络的背景下结合每个模态的当前隐藏状态,同时考虑直接从其自身的最近状态学习的模态不确定性。在大规模SPAWC 2021多模态定位数据集上对所提出的方法进行了评估,并与包括三边测量方法、传统指纹方法和基于卷积网络的方法在内的各种基线方法进行了比较。
2022-03-02 cs.CV cs.HC cs.NI