WiFiMod: Transformer-based Indoor Human Mobility Modeling using Passive Sensing
对人类流动性进行建模有着广泛的应用，从城市规划到疾病传播的模拟。众所周知，人类花费80%的时间在室内，但是由于三个主要原因，对室内人类移动性进行建模是具有挑战性的：（i）缺乏容易获取的、可靠的、低成本的室内移动性数据集，（ii）在对频繁的室内移动性进行建模时的高预测空间，以及（iii）移动性中的多标量周期性和相关性。为了应对所有这些挑战，我们提出了WiFiMod，这是一种基于Transformer的数据驱动方法，可以使用WiFi系统日志在多个空间尺度上模拟室内人类移动性。WiFiMod将企业WiFi系统日志作为输入，从智能手机数字痕迹中提取人类移动轨迹。接下来，对于每个提取的轨迹，我们确定在多个空间尺度，宏观和微观的移动功能，设计一个多模态嵌入Transformer，预测用户移动几个小时到一整天在多个空间粒度。多模态嵌入捕获跨各种尺度的移动性周期性和相关性，而Transformers捕获长期移动性依赖性，从而提高模型预测性能。该方法通过首先预测宏移动性，然后以估计的宏移动性分布为条件对室内尺度移动性、微移动性进行建模，从而使用宏尺度的拓扑约束，来显著地减小预测空间。实验结果表明，WiFiMod的预测精度比当前最先进的模型高出至少10%。此外，我们提出了WiFiMod的3个现实应用-（i）预测高密度热口袋，用于COVID 19或ILI的决策，（ii）生成室内移动性的逼真模拟，（iii…
2021-07-10 cs.CY cs.NI eess.SP
Transforming Decoder-Only Transformers for Accurate WiFi-Telemetry Based Indoor Localization
University of California, Santa Cruz（加州大学圣克ruz分校）
本文提出WiFiGPT，一种基于GPT的定位系统，利用大型语言模型处理多种WiFi遥测数据，实现亚米级至厘米级的高精度室内定位，无需手工信号处理。
2025-05-16 cs.AI cs.NI
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 Analysis of Device-Free and Device-Based WiFi-Localization Systems
由于WiFi连接的普遍存在，基于WiFi的定位成为主要的室内定位技术之一。然而，室内环境表现出复杂的无线传播特性。通常，这些特征是通过为感兴趣区域中的不同位置构建指纹图来捕获的。该指纹在手动构建中需要显著的开销，因此是基于WiFi的定位的主要缺点之一。在本文中，我们提出了一个自动化的工具，指纹的建设和利用它来研究新的情况下，基于设备和无设备的基于WiFi的本地化，很难在真实的环境中进行评估。特别是，我们研究了改变接入点（AP）安装位置，AP技术升级，人群效应校准和操作，除其他外，对定位系统的准确性的影响。我们提出了两类基于WiFi的本地化的分析：基于设备和无设备。我们的分析突出了影响定位系统准确性的因素，如何调整它以更好地定位，并为研究人员和从业者提供见解。
2015-07-31 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
WiFi-Based Indoor Localization via Multi-Band Splicing and Phase Retrieval
我们研究的问题，室内定位使用商品WiFi信道状态信息（CSI）测量。为解决这个问题而开发的方法的准确性受到WiFi设备使用的总带宽以及底层硬件施加的各种类型的信号失真的限制。在本文中，我们提出了一种定位方法，通过拼接测量CSI在多个WiFi频段进行信道脉冲响应（CIR）估计。为了克服硬件引起的相位失真，我们提出了一个相位恢复（PR）计划，只使用CSI幅度值来估计CIR。为了实现高定位精度，PR方案涉及稀疏恢复步骤，其利用CIR在延迟域上稀疏的事实，这是由于室内环境中的贡献信号路径的数量少。仿真结果表明，我们的方法优于现有技术的数量级（厘米级定位精度）超过90%的试验和各种SNR制度。
2019-03-06 cs.IT cs.NI math.IT
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
Passive Indoor Localization with WiFi Fingerprints
University of Victoria（维多利亚大学）；Fortinet Canada Inc.（飞塔加拿大公司）
本文提出一种无需在移动设备安装软件的被动式WiFi室内定位方法，利用路由器接收的RSSI和CSI等信号结合多种算法进行定位，在数百个测试点实验中实现了0.8 m至1.5 m的平均误差。
2025-11-02 cs.NI eess.SP
AF-DCGAN: Amplitude Feature Deep Convolutional GAN for Fingerprint Construction in Indoor Localization Systems
随着WiFi网络的广泛部署和无线信道信息的唯一性特征（指纹），基于指纹的WiFi定位是目前主流的室内定位方法，其中指纹数据库的构建至关重要。然而，为了准确性，这种方法需要在许多参考点处采样足够的数据，这消耗了过多的精力和时间。在本文中，我们收集信道状态信息（CSI）数据的参考点的方法，设备免费定位，然后我们收集的CSI数据转换成幅度特征地图和扩展指纹数据库使用所提出的幅度-特征深度卷积生成对抗网络（AF-DCGAN）模型。AF-DCGAN的使用加速了训练阶段的收敛，并大大增加了CSI幅度特征图的多样性。实验证明，扩展的指纹数据库既减少了指纹数据库构建中涉及的人力，又提高了室内定位系统的准确性。
2019-10-11 cs.NI
Experiences & Challenges with Server-Side WiFi Indoor Localization Using Existing Infrastructure
在大型公共场所中基于WiFi的室内定位的实际部署很少，因为大多数最先进的解决方案都需要客户端或基础设施端的更改。因此，即使这些解决方案可以实现高定位精度，但由于成本和/或客户端采用原因，它们也不实用。大多数公共场所使用商业运营商管理的WLAN解决方案，%由Aruba、Cisco等提供，既不允许客户端更改，也不允许基础架构更改。事实上，对于这些场所，我们观察到高度异构的设备，客户端应用程序的采用率非常低。在本文中，我们提出了我们的经验，在部署一个可扩展的定位系统，这样的场馆。我们表明，服务器端本地化是不平凡的，并提出了两个独特的挑战与这种方法，即基数不匹配和高客户端扫描延迟。“不匹配”质询导致在离线和在线阶段中报告客户端的接入点（AP）集合之间的显著不匹配，而“延迟”质询导致报告任何特定客户端的数据的AP数量较少。我们收集了三个星期的详细地面实况数据（约200个地标），从一个已经部署了四年多的WiFi设置，以提供证据的程度和理解这些问题的影响。我们对现实客户端设备的分析表明，客户端当前的趋势是减少扫描，从而对其定位准确性产生不利影响。我们分析了当扫描最小化时，本地化如何受到影响。我们提出了一种方法来减轻减少的准确性，尽管较少的扫描。除了扫描的数量，我们总结了其他的挑战和陷阱的实际部署，阻碍了定位精度。
2021-01-26 cs.NI cs.PF
Fast and Reliable WiFi Fingerprint Collection for Indoor Localization
University of Melbourne（墨尔本大学）；China University of Geosciences（中国地质大学）；National Engineering Research Center for Geographic Information System（国家地理信息系统工程技术研究中心）
指纹识别是一种流行的室内定位技术，因为它可以利用现有的基础设施（例如，接入点）。但是，其现场勘测过程是一项劳动密集型和耗时的任务，这限制了此类系统在实践中的应用。在本文中，受智能手机中先进传感功能的可用性的启发，我们提出了一种快速可靠的指纹采集方法，以减少现场调查所需的时间和劳动力。该方法使用基于地标图的方法来自动关联所收集的指纹，这不需要用户主动参与。我们将表明，除了快速的指纹数据汇集，所提出的方法相比，国家的最先进的方法在准确的位置估计的结果。实验结果表明，该方法比人工指纹采集方法快了一个数量级，并且使用该方法生成的无线电地图比现有方法具有更好的准确性。
2020-08-01 cs.NI cs.RO eess.SP
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
Indoor Distance Estimation using LSTMs over WLAN Network
Indian Institute of Technology, Bombay（印度理工学院孟买分校）
像GPS这样的全球导航卫星系统（GNSS）遭受精度下降，并且在室内环境中几乎不可用。基于WiFi信号的室内定位系统（IPS）已经越来越流行。然而，由于室内环境中无线通信信道的强烈空间和时间变化，现有IPS所实现的精度大约为几十厘米。我们提出了一种基于LSTM的自适应WiFi室内距离估计系统的详细设计和实现。该系统在其通过克服信道变化的可能原因来高精度地估计对象的距离的方法方面是新颖的，并且对变化的环境和周围条件是自适应的。所提出的设计已经开发和物理实现了由ESP8266（NodeMCU）设备组成的WiFi网络。实验在真实的室内环境中进行，同时改变环境，以建立系统的适应性。我们介绍并比较了基于LSTM、CNN和全连接网络（FCN）的不同架构。我们表明，基于LSTM的模型在所有上述架构中表现更好，在（4.14 m * 2.86 m）的尺度上实现了5.85 cm的精度和93%的置信区间。据我们所知，所提出的方法优于文献中报道的其他方法的显着保证金。
2020-03-31 cs.NI cs.RO eess.SP
WiCluster: Passive Indoor 2D/3D Positioning using WiFi without Precise Labels
Qualcomm AI Research（高通人工智能研究院）
我们介绍WiCluster，一种新的机器学习（ML）方法，用于使用射频（RF）信道状态信息（CSI）的无源室内定位。WiCluster可以预测区域级别的位置和精确的2D或3D位置，而无需在训练期间使用任何精确的位置标签。之前基于CSI的室内定位工作依赖于使用数字信号处理（DSP）的非参数方法，以及最近的参数方法（例如，完全监督的ML方法）。然而，这些方法不能很好地处理现实世界环境的复杂性，也不能满足大规模商业部署的要求：基于DSP的方法的准确性在非视线条件下会显着恶化，而监督ML方法需要大量难以获取的厘米精度位置标签。相比之下，WiCluster是精确的，需要较弱的标签信息，可以很容易地收集，并在非视线条件下工作得很好。我们的第一个贡献是一个新的降维方法的图表。它结合了三重损失和多尺度聚类损失，将高维CSI表示映射到2D/3D潜在空间。我们的第二个贡献是两个弱监督损失，将这个潜在空间映射到笛卡尔映射中，从而得到米精度的位置结果。这些损失只需要简单地获取先验：平面布置图的草图、近似的接入点定位和用平面布置图中的对应区域标记的几个CSI分组。第三，我们报告的结果和鲁棒性研究的2D定位在两个单层办公楼和3D定位在一个两层楼的家。
2021-09-27 cs.CV cs.LG cs.NI
Assessment of SFSDP Cooperative Localization Algorithm for WLAN Environment
室内WiFi网络的协作定位迄今为止很少受到关注。针对无线传感器网络的应用，存在许多协作定位算法，但它们对基于WiFi的网络的适用性还没有研究。本文利用实测数据和不同的室内条件对稀疏有限半定程序（SFSDP）的性能进行了检验。其他网络参数，如不同数量的锚和盲节点的影响也包括在内。
2018-01-10 cs.NI eess.SP
Graph-Based Floor Separation Using Node Embeddings and Clustering of WiFi Trajectories
本文提出一种基于图和节点嵌入的WiFi轨迹聚类方法，用于无需建筑信息的盲楼层分离，通过信号相似性和移动上下文建模，实现多层建筑的垂直定位。
2026-10-08 cs.AI cs.CR cs.LG
CRISLoc: Reconstructable CSI Fingerprintingfor Indoor Smartphone Localization
基于信道状态信息（Channel State Information，CSI）的指纹识别技术在WIFI室内定位中得到了广泛的关注，频率多样且时间稳定的CSI比粗接收信号强度（Recovered Signal Strength，RSS）更能反映位置相关的信道特性。然而，CSI的获取需要接入点（AP）的合作并且仅涉及多个帧，这对现实世界的部署施加了限制。在本文中，我们提出了CRISLoc，第一个CSI指纹定位原型系统使用无处不在的智能手机。CRISLoc在一个完全被动的模式下运行，在他自己的CSI采集过程中偷听数据包。通过校准WiFi放大器电路施加的失真来净化智能手机CSI。CRISLoc通过联合聚类和离群值检测方法来解决改变AP的挑战。提出了一种新的迁移学习方法，在过时的指纹和一些新的测量的基础上重建高维CSI指纹数据库，并提出了一种增强的KNN方法来精确定位智能手机的位置。我们的研究揭示了智能手机CSI的稳定性和灵敏度的重要属性，这是以前没有报道过的。实验结果表明，CRISLoc在6m × 8m的研究实验室中可以实现约0.29m的平均误差。移动一个和两个AP后，平均误差分别增加了5.4 cm和8.6 cm，这验证了CRISLoc对环境变化的鲁棒性。
2021-07-05 cs.NI eess.SP
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
CogCell: Cognitive Interplay between 60GHz Picocells and 2.4/5GHz Hotspots in the 5G Era
无线通信设备的快速增长和各种新应用的出现已经触发了对下一代移动宽带系统的研究，即，5G。传统的2G-4G系统覆盖大面积的设想，以服务于室内和室外环境。然而，在5G时代，预计80%的整体流量将在室内产生。因此，需要重新考虑宏小区移动网络的当前方法，其中在室内和室外之间没有区分。我们设想了60，GHz毫米波微微蜂窝结构，以支持高速室内和热点通信。我们将5G室内网络设想为具有强大覆盖范围的2.4/5GHz和提供高数据速率的60 GHz链路之间的相互作用的组合。这需要明智的协调与合作。我们提出了一种60，GHz的微微蜂窝网络架构，称为CogCell，利用无处不在的WiFi。我们建议将60/5GHz用于数据平面，将2.4/5GHz用于控制平面。混合网络架构考虑了在60，GHz域中连接不良的情况下机会性地回退到2.4/5，GHz。此外，为了避免在60，GHz定向链路中由于移动性而频繁的重新波束形成，我们提出了一种认知模块--传感器辅助的智能波束切换过程，它减少了通信开销.我们相信，CogCell概念将有助于未来的室内通信和可能的室外热点，其中移动站和接入点相互协作，以改善用户体验。
2015-05-07 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
Position Estimation of Robotic Mobile Nodes in Wireless Testbed using GENI
我们提出了一个低复杂度的实验基于RF的室内定位系统的基础上收集和处理的WiFi RSSI信号和处理使用基于RSS的多边形算法来确定机器人移动节点的位置。我们使用一个真正的室内无线测试平台，称为w-iLab.t，部署在比利时根特的Zwijnaarde。该测试平台的一个独特属性是，它提供了使用全球网络创新环境（GENI）项目的工具和接口，可以在受控环境中轻松创建可重复的无线网络实验。我们提供了一个低复杂度的算法来估计移动机器人在室内环境中的位置。此外，我们提供了我们收集的一些测量与其相应的位置估计和实际机器人位置之间的比较。比较显示精度在0.65米到5米之间。
2016-02-09 cs.NI
Review of LiFi visible light communications : research and use cases
LiFi是一种网络无线通信技术，将固态室内照明转变为信息的骨干。该技术已经成熟，第一个LiFi LED灯具于2016年商业化。具有各种用例的实际部署，以及实验室中超过10 Gbps的惊人带宽改进，暗示了LiFi作为WiFi和4G/5G的强大补充或替代品的光明未来。
2018-02-06 cs.NI physics.app-ph
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
R.F. Pollution Reduction in Cellular Communication
R. F.在印度，污染在当时的情况下被认为是对健康的危害。人们对在住宅区安装手机信号塔提出了很多抗议。最近，印度高等法院发布了一项命令，禁止在住宅区安装塔楼。为了满足印度蜂窝通信的指数需求，这将是未来增长的一个挫折。必须开发适当的解决方案以满足需求以及社会对RF污染的关注。本文涉及在居民区安装低功率基站而不是高功率宏小区基站。宏站被提议用于快速业务，低功率微小区用于慢速业务/行人，微微小区/毫微微小区用于室内使用。这些小区将与自适应频率分配技术和A-SDMA方法一起处于分层结构中。
2012-04-10 cs.CY cs.NI
