A review of smartphones based indoor positioning: challenges and applications
University of Brighton(布莱顿大学);Royal Holloway, University of London(伦敦大学皇家霍洛威学院);Zhejiang University(浙江大学)
移动设备的持续扩散鼓励了在使用智能手机进行室内定位方面的许多努力。本文致力于回顾最新和最有趣的基于智能手机的室内导航系统,从电磁到惯性到可见光,重点是它们独特的挑战和潜在的现实应用。智能手机传感器的分类将被引入,这是对不同定位系统进行分类的基础。将制定一套用于评价目的的标准。对于每个传感器类别,将检查最新,有趣和实用的系统,并详细讨论学术界的开放研究问题,以及潜在客户的实用性。
2020-06-03 cs.LG eess.SP
Characterizing Power Consumption of Dual-Frequency GNSS of a Smartphone
定位服务是智能手机上使用最广泛的功能之一。越来越多的应用程序基于位置服务构建。因此,对精确定位的需求越来越高。移动品牌小米推出了Mi 8,这是世界上第一款配备双频GNSS芯片组的智能手机,据称可提供高达分米级的定位精度。如此前所未有的高定位精度为工业界和学术界的导航研究和新兴应用程序的开发带来了兴奋。另一方面,在配备双频GNSS芯片组的智能手机的能源效率方面存在重大知识差距。在本文中,我们通过对双频GNSS手机的功耗进行实证研究来弥合这一知识差距。据我们所知,这是第一项实验研究,它描述了配备双频GNSS芯片组的智能手机的功耗,并将其能效与单频GNSS手机进行了比较。我们证明,与单频GNSS手机相比,具有双频GNSS芯片组的智能手机在室外平均多消耗37%的功率,在室内多消耗28%的功率。
2021-03-23 cs.SY eess.SP eess.SY
Real-time NLOS/LOS Identification for Smartphone-based Indoor Positioning System using WiFi RTT and RSS
使用WiFi的基于智能手机的定位方法的准确性通常受到由非视线(NLOS)条件引起的测距误差的影响。以前的研究通常利用来自WiFi接收信号强度(RSS)或WiFi往返时间(RTT)的长时间序列(数百个样本)的若干统计特征来实现高识别精度。然而,长时间序列或大样本量归因于用于训练和测试的数据收集的高功率和时间消耗。这无疑也不利于用户体验,因为获取足够样本的等待时间相当长。为此,提出了一种新的基于WiFi RTT和RSS的智能手机室内定位系统NLOS/LOS实时识别方法。基于我们对RSS和RTT特征的广泛分析,选择并开发了一种基于机器学习的随机森林方法来分离NLOS/LOS条件下的样本。在不同环境下的实验表明,我们的方法实现了约94%的判别准确率与样本量为10。考虑到支持RTT的智能手机的理论上最短的WiFi测距间隔为100 ms,我们的算法能够提供1 s的最短延迟,以获得所有最先进的方法中的测试结果。
2021-10-08 eess.SP
Ubiquitous smartphone based localization with door crossing detection
使用智能手机的用户的定位代表了各种领域的有趣服务。用户的位置可以代表各种服务提供商的有价值的信息。在工业4.0中,智能手机或平板电脑等智能设备可以帮助用户在紧急情况下更快地做出反应。它可以帮助减少服务人员的反应时间,提高用户在环境中的定位,或将工作委派给最近的员工。在以前的工作中,我们已经描述了模块化定位系统,能够自动选择最佳定位模块的基础上可用的无线电信号。在本文中,我们将专注于估计环境之间的交叉,例如室内和室外。该算法是实现无缝定位的关键。因为这两种环境不仅对定位解决方案有特定的要求,而且对地图和导航算法也有特定的要求。所提出的算法不需要部署新的基础设施,并且可以在广泛可用的智能手机上使用。该算法在真实条件下由不同的用户进行测试,并使用各种智能手机设备来证明其在各种条件下的性能。
2022-09-22 cs.HC eess.SP
Ford Highway Driving RTK Dataset: 30,000 km of North American Highways
Ford AV, LLC(福特自动驾驶汽车有限责任公司);Ford Motor Company(福特汽车公司);Xona Space Systems(Xona空间系统公司)
对车辆定位信息的需求日益增长,以支持高级驾驶员辅助系统(ADAS)、连接性(V2X)和自动驾驶(AD)功能。这些范围从需要道路确定($<$ 5米)、车道确定($<$ 1.5米)和确定车辆在车道内的位置($<$ 0.3米)。本文介绍了福特公路驾驶RTK(福特HDR)数据集。该数据集包括主要在北美高速公路上收集的近30,000公里数据,这些数据是在2018年旨在验证驾驶员辅助功能的驾驶活动中收集的。这包括来自主要用于逐向导航的代表性汽车生产GNSS以及惯性导航系统(INS)的数据,该惯性导航系统将两个测量级GNSS接收器与战术级惯性测量单元(IMU)耦合以用作地面实况。后者利用通过蜂窝调制解调器实时提供的联网实时动态导航卫星系统校正。该数据集将被发布到公共领域,以激发社区的进一步研究。
2020-10-05 cs.RO eess.SP
Sky-GVIO: an enhanced GNSS/INS/Vision navigation with FCN-based sky-segmentation in urban canyon
Wuhan University(武汉大学);School of Geodesy and Geomatics, Wuhan University(武汉大学测绘学院);Hong Kong Polytechnic University(香港理工大学)
针对城市峡谷环境中定位受NLOS影响的问题,提出基于FCN天空分割的S-NDM算法,构建Sky-GVIO紧耦合系统,融合SPP与RTK,实现米级至亚分米级定位精度,并公开相关数据集。
2024-08-05 cs.CV eess.SP
GOPA: Geometrical Optics Positioning Algorithm Using Spatial Color Coded LEDs (Extended Version)
在本文中,我们提出了一个准确的可见光室内定位系统的智能手机使用现有的商业发光二极管(LED)灯具。所提出的技术,称为几何光学定位算法(GOPA),在智能手机上使用空间颜色代码地标以及基于到达角(AOA)的几何算法来定位设备,并保留LED的时频域调制,以增加来自相同灯具基础设施的可见光网络广播的吞吐量。GOPA算法的开发考虑到了灵活的手势和握手等实际问题,并且它能够实现定位鲁棒性和设备上处理。通过引入虚拟平面的思想,GOPA解决了AOA定位系统的视场问题。在接收器侧使用智能手机的嵌入式加速度计和前置摄像头来测量智能手机的倾斜度并获取图像。实验结果表明,鲁棒的二维($2$ -D)和三维($3$ -D)定位。在忽略倾斜的情况下,$2$定位的实验平均定位误差为$0.54$ cm。$3$ -D定位的实验平均定位误差分别为$1.24$ cm、$1.85$ cm和$6.02$ cm,适用于理想的非倾斜和非定向、非倾斜但定向以及倾斜和定向情况。
2018-06-24 eess.SP
Smartphone-based user positioning in a multiple-user context with Wi-Fi and Bluetooth
在多用户环境中,来自智能手机的蓝牙数据可以给出用户之间距离的近似值。同时,Wi-Fi数据可用于直接计算用户的位置。然而,基于Wi-Fi的位置输出和基于蓝牙的距离都受到一定程度的噪声的影响。在我们的工作中,我们提出了几种方法来结合这两种类型的输出,以提高跟踪精度的背景下,协同定位。这两种方法试图建立一个模型来测量蓝牙输出和Wi-Fi输出的误差。在非时间方法中,该模型在蓝牙输出和Wi-Fi输出的特定间隔中建立关系。在一个时间的方法,误差测量模型进行了扩展,包括用户的运动之间的时间分量。为了评估这两种方法的性能,我们收集了室内环境中多用户场景的数据。结果表明,所提出的方法可以在75%的时间内达到3.0米左右的距离误差,这优于标准Wi-Fi指纹模型的定位结果。
2018-07-16 cs.NI eess.SP
Robust, High-Precision GNSS Carrier-Phase Positioning with Visual-Inertial Fusion
McGill University(麦吉尔大学);Meta
鲁棒、高精度的全局定位是广泛的户外机器人应用的基础。传统的融合方法使用基于低精度伪距的GNSS测量值($>>5m$误差),并且只能产生与全球地心地球固定(ECEF)框架的粗配准。在本文中,我们利用高精度GNSS载波相位定位,并使用扩展的卡尔曼滤波器(EKF)框架,更好地解决与GNSS载波相位有关的整周模糊度,帮助它与本地视觉惯性里程计(VIO)跟踪。%,以实现ECEF帧中的厘米级精度。我们还提出了一种算法,用于精确的GNSS天线到IMU extrinsics校准,以准确地对准VIO的ECEF帧。总之,我们的系统实现了强大的全球定位在严重闭塞的城市峡谷的真实世界的硬件实验证明,并优于国家的最先进的RTKLIB的一个显着的利润率在整周模糊度解决方案的固定率和定位RMSE精度。
2023-03-02 cs.RO eess.SP
PrNet: A Neural Network for Correcting Pseudoranges to Improve Positioning with Android Raw GNSS Measurements
Nanyang Technological University(南洋理工大学)
提出PrNet神经网络,利用卫星级MLP从Android原始GNSS测量中校正伪距偏差,以提升手机定位精度,在GSDC数据集上优于现有方法。
2023-12-22 cs.LG eess.SP
Supporting GNSS Baseband Using Smartphone IMU and Ultra-Tight Integration
全球导航卫星系统(GNSS)发展的激增挖掘了许多最先进技术的繁荣潜力,例如,自主地面车辆导航然而,全球导航卫星系统易受各种地面干扰的影响,这些干扰严重破坏了导航系统的连续性。与此同时,基于GNSS的下一代导航设备正朝着更小、更低成本和更轻的方向发展,正如商业市场预测的那样。这项工作旨在回答智能手机惯性测量单元(IMU)是否足以支持GNSS基带。因此,使用消费级智能手机传感器的级联超紧耦合GNSS/惯性导航系统(INS)技术被应用于改善GNSS软件定义无线电(SDR)的基带。基于集成扩展卡尔曼滤波器(EKF)导航器预测多普勒值,其中GNSS和INS的基于伪距状态的测量被融合。它用于辅助GNSS基带中的数控振荡器(NCO)。在此基础上,利用改进后的GNSS软件无线电系统构建了一个超紧密集成平台,将基带处理与惯导机械化集成在一起。最后,跟踪和基于载波的定位性能进行了评估,在建议的平台,智能手机IMU辅助GNSS基带通过运动场测试。实验结果表明,只需花费几美元的额外硬件,而不是昂贵的硬件,就可以有效地改善GNSS基带。
2022-09-11 cs.SY eess.SP eess.SY
Cooperative Differential GNSS Positioning: Estimators and Bounds
Northeastern University(东北大学);German Aerospace Center (DLR)(德国航空航天中心)
本文提出协作差分GNSS定位方法,通过统一的估计框架和Fisher信息矩阵分析,研究大规模用户协作如何提升DGNSS精度并减少参考站噪声影响。
2026-01-09 eess.SP stat.AP
Cross-platform Smartphone Positioning at Museums
Department of Engineering, Roma Tre University(工程系,罗马三大学);Department of Educational Science, Roma Tre University(教育科学系,罗马三大学);Departament d'Informàtica, Universitat de València(计算机科学系,瓦伦西亚大学)
针对博物馆室内定位缺乏公开 RSS 数据的问题,本文提出跨 Android 和 iOS 平台采集的 BAR 数据集,并提供基于邻近度和 k-NN 的定位分类基线。
2025-07-02 cs.LG eess.SP
Context Detection for Advanced Self-Aware Navigation using Smartphone Sensors
导航和定位系统取决于操作环境和主车辆或用户的行为。环境决定了可用于定位的无线电信号的类型和质量,而行为可以为导航解决方案提供额外的信息。为了跨不同的上下文进行操作,上下文自适应导航解决方案通过检测操作上下文并相应地配置定位系统来引入自我意识的元素。本文提出了环境和行为上下文作为一个整体的检测,建立上下文自适应导航系统的基础。通过监督式机器学习算法,使用来自加速度计、陀螺仪、磁力计和气压计的测量结果对行为背景进行分类,总体分类准确率为95%。一个连接相关的过滤器,然后实施,以改善行为检测结果。从GNSS测量中检测环境背景。使用概率支持向量机(SVM)将它们分为室内,中间和室外类别,然后使用隐马尔可夫模型(HMM)进行时域过滤。由于永远不会有完全可靠的上下文检测,本文还展示了环境和行为关联如何有助于减少上下文确定算法选择不正确上下文的机会。最后,提出的上下文确定算法进行了测试,在一系列的多上下文场景。
2020-05-15 eess.SP
Effects of Initial Attitude Estimation Errors on Loosely Coupled Smartphone GPS/IMU Integration System
全球定位系统(GPS)和惯性测量单元(IMU)传感器通常使用扩展卡尔曼滤波器(EKF)进行组合,以获得更好的导航性能。然而,由于非线性,EKF的性能受初始状态估计误差的影响,随着初始误差的增大,包括姿态在内的导航解会迅速发散。本文分析了室外实验获得的数据,研究了初始误差对EKF姿态估计性能的影响。EKF应用于松耦合的低成本智能手机GPS/IMU传感器。
2020-09-24 eess.SP
GNSS Spoofing in Mobile Devices: A Survey on Impact and Countermeasures
Northeastern University(东北大学);Politecnico di Torino(都灵理工大学)
本文针对智能手机GNSS欺骗攻击,提出了一项新颖的综述,建立了攻击效果与对策的分类法,回顾了漏洞特征化历史,并概述了检测与对抗技术,为移动平台上的对策选择提供了比较框架。
2026-10-02 cs.CR cs.SY eess.SP
Time-correlated Window Carrier-phase Aided GNSS Positioning Using Factor Graph Optimization for Urban Positioning
本文提出了一种改进的全球导航卫星系统(GNSS)定位方法,探讨了连续历元的代码和载波相位测量的时间相关性,显着增加对离群测量的鲁棒性。本文提出了一种利用窗载波相位(WCP)来约束因子图中的状态的方法,而不是依赖于仅考虑两个相邻历元的时间差载波相位(TDCP),并使用扩展卡尔曼滤波器(EKF)估计器。采用左零空间矩阵来消除共享的未知模糊度变量,从而使WCP内部的相关状态相关。然后使用因子图优化(FGO)将伪距、多普勒和构造的WCP测量值同时积分以估计GNSS接收机的状态。我们评估了所提出的方法在香港两个典型的城市峡谷的性能,实现了平均定位误差分别为1.76米和2.96米,使用汽车级GNSS接收机。同时,所提出的方法的有效性进一步评估使用低成本的智能手机级GNSS接收器和类似的改善也得到了,与现有的几个GNSS定位方法相比。
2021-09-02 cs.RO eess.SP
Exploring the Feasibility of Automated Data Standardization using Large Language Models for Seamless Positioning
The Hong Kong Polytechnic University(香港理工大学)
本研究提出利用微调的LLM进行实时自动化传感器数据标准化,结合EKF提升物联网环境中的无缝定位精度与兼容性。
2024-08-22 cs.AI cs.NI eess.SP
Decentralized GNSS at Global Scale via Graph-Aware Diffusion Adaptation
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Institute for Space Studies of Catalonia(加泰罗尼亚太空研究所);Universitat Autònoma de Barcelona(巴塞罗那自治大学)
本文提出一种全球去中心化GNSS架构,利用时间变化图模型和深度线性神经网络优化信息交换,实现厘米级自定位和网络共识,提升收敛速度和通信效率。
2026-07-07 eess.SP
Low-Cost GNSS Simulators with Wireless Clock Synchronization for Indoor Positioning
针对地下等GNSS拒止环境,提出基于专用时间服务器与时延校准的无线时钟同步GNSS模拟器方案,并推导覆盖与间距约束,实验实现车辆3.7 m、行人9.6 m的定位误差及无缝室内外切换。
2023-06-01 eess.SP
GPSMirror: Expanding Accurate GPS Positioning to Shadowed and Indoor Regions with Backscatter
本文提出 GPSMirror,利用微瓦级反向散射标签和新型定位算法,首次在不改装智能手机的情况下将 GPS 定位精度扩展至阴影和室内区域,实现米级定位。
2023-04-15 cs.NI eess.SP
IO-VNBD: Inertial and Odometry Benchmark Dataset for Ground Vehicle Positioning
低成本的惯性导航传感器(INS)可用于自动驾驶车辆的可靠跟踪解决方案。然而,由于测量中的噪声,位置误差呈指数增长。已经研究了几种深度学习技术来减轻错误,以获得更好的导航解决方案[1-10]。然而,这些研究涉及使用未公开的不同数据集。因此,缺乏强大的基准数据集阻碍了基于惯性导航的车辆定位深度学习技术的研究、比较和采用。为了促进定位算法的基准测试、快速开发和评估,我们提出了第一个大规模的、信息丰富的惯性和里程计集中的公共数据集IO-VNBD(惯性里程计车辆导航基准数据集)。车辆跟踪数据集是使用配备有自我运动传感器的研究车辆在英国、尼日利亚和法国的公共道路上记录的。传感器包括GPS接收器、惯性导航传感器、轮速传感器以及汽车上的其他传感器,以及以10 HZ采样的Android智能手机中的惯性导航传感器和GPS接收器。在不同的道路类型(乡村公路、高速公路等)上捕捉各种场景和车辆动态,如交通、弯道、急刹车等。不同的驾驶模式该数据集包括车辆提取数据超过1,300公里约40小时的总驾驶时间和智能手机记录数据超过4,400公里约58小时。我们希望这一数据集将证明有价值的进一步研究车辆动力学和其位移之间的相关性以及其他相关的研究
2021-12-11 eess.SP
Tensor-Generative Adversarial Network with Two-dimensional Sparse Coding: Application to Real-time Indoor Localization
University of Electronic Science and Technology of China(电子科技大学);Columbia University(哥伦比亚大学);Shanghai Jiao Tong University(上海交通大学)
定位技术是室内定位服务发展的重要环节。全球定位系统(GPS)在室内环境中由于非视距问题而失效,因此迫切需要一种实时的【形】高精度智能手机定位方法。然而,由于诸如实时的【形】响应要求、有限的指纹样本和移动终端存储等问题,精确定位是具有挑战性的。为了解决这些问题,我们提出了一种新的深度学习架构:张量-生成对抗网络(TGAN)。我们首先引入一个基于变换的3D张量来建模指纹样本。我们的模型采用人工神经网络和深度学习来训练网络分类器,然后给出估计,而不是那些构建指纹数据库作为先验知识的被动方法。然后,我们提出了一种新的基于张量的超分辨率方案,使用生成对抗网络(GAN),采用稀疏编码作为生成器网络和残差学习网络作为训练器。此外,我们分析了张量GAN的性能,并实现了基于跟踪的定位实验,取得了更好的性能。与现有的智能手机室内定位方法相比,TGAN在定位精度、响应时间和实现复杂度等方面都有较大的提高。
2017-11-07 cs.LG cs.NI eess.SP
GNSS Outlier Mitigation Via Graduated Non-Convexity Factor Graph Optimization
Hong Kong Polytechnic University(香港理工大学)
可以在无离群点的开放区域实现基于全球导航卫星系统的精确和全球参照的车辆定位。然而,全球导航卫星系统的性能可能会显着下降的离群值测量,如多路径效应和非视线(NLOS)接收所产生的信号反射的建筑物。受批量历史数据在抵抗离群测量方面的优势启发,本文提出了一种分级非凸因子图优化算法(FGO-GNC)来提高GNSS定位性能,通过估计GNSS测量值的最优权重来减轻GNSS离群值的影响。与现有的局部解不同,FGO-GNC采用非凸的GM(Geman McClure)函数,通过由粗到细的松弛过程来全局估计GNSS测量值的权重。所提出的方法的有效性进行了验证,通过几个具有挑战性的数据集收集在香港的城市峡谷使用汽车级和低成本的智能手机级GNSS接收器。
2021-09-02 cs.RO eess.SP
Evaluating Smartphone GNSS Accuracy for Geofenced 6 GHz Operations
University of Notre Dame(圣母大学);Sebelas Maret University(塞布拉马斯马雷特大学)
本文研究了GNSS在6GHz地理围栏操作中的可靠性,通过实测分析不同环境下的定位误差,发现室内和密集城市区域显著降低精度,且非美国许可卫星在监管下不可用。
2026-03-17 cs.NI eess.SP
OutFin, a multi-device and multi-modal dataset for outdoor localization based on the fingerprinting approach
近年来,基于指纹的定位得到了研究人员的关注,因为它是一个有前途的替代全球导航卫星系统和基于蜂窝网络的定位在城市地区。尽管如此,缺乏研究人员可以用来开发,评估和比较基于指纹的定位解决方案的公开数据集构成了研究的高准入门槛。为了克服这一障碍并促进新的研究工作,本文介绍了OutFin,这是一种使用两种不同智能手机收集的户外位置指纹的新数据集。OutFin包含多种数据类型,如WiFi、蓝牙和蜂窝信号强度,以及来自各种传感器的测量结果,包括磁力计、加速度计、陀螺仪、气压计和环境光传感器。收集区跨越四个分散的地点,共有122个参考点。每个站点在其对全球导航卫星系统的可见度以及参考点的数量、安排和间距方面各不相同。在OutFin向公众提供之前,进行了几次实验来验证其技术质量。
2022-05-30 eess.SP
Radio Map Construction with Post-Hoc Location Calibration under Quasi-Static Positioning Errors: Joint Estimation, Performance Bounds, and GNSS-Based Evaluation
The University of Electro-Communications(电子通信大学);Hokkaido University(北海道大学)
本文提出利用RSS测量本身校准GNSS准静态偏移的无线电地图构建框架,联合估计偏移与传播参数,显著降低MSE差距,优于轨迹平滑基线。
2026-09-11 cs.NI eess.SP
Localization with Noisy Android Raw GNSS Measurements
针对 Android 原始 GNSS 测量噪声问题,论文比较 MHE、EKF 与 RTS 平滑方法,证明 RTS 在静态和动态场景中相对 WLS 分别降低水平定位误差 76.4% 和 46.5%。
2023-09-28 eess.SP
Convolutional Mixture Density Recurrent Neural Network for Predicting User Location with WiFi Fingerprints
使用WiFi指纹预测智能手机用户活动是近年来室内定位的流行方法。然而,这样的高维时间序列预测问题可能非常棘手。为了解决这个问题,我们提出了一种新的深度学习模型,卷积混合密度循环神经网络(CMDRNN),它结合了卷积神经网络,递归神经网络和混合密度网络的优势。在我们的模型中,CNN子模型用于检测高维输入的特征,RNN子模型用于捕获时间依赖性,MDN子模型用于预测最终输出。为了验证该方法的有效性,我们在真实数据集上进行了实验,实验结果表明了该方法的有效性。
2019-11-21 cs.LG eess.SP stat.ML
Satellite Navigation for the Age of Autonomy
Xona Space Systems(索纳空间系统公司)
全球导航卫星系统(GNSS)为大众带来了导航。再加上智能手机,我们手掌上的蓝点永远改变了我们与世界互动的方式。展望未来,自动驾驶汽车和空中机动性等网络物理系统正在推动包括GNSS在内的定位技术所能提供的极限。这场自动化革命需要一个解决方案,为数百万用户提供安全关键型操作、厘米定位和网络安全支持。为了满足这些需求,我们提出了一种低地球轨道(LEO)卫星导航服务,通过更快的运动,更高功率的信号来增加对干扰的鲁棒性,星座自主完整性监测的完整性,以及加密/认证来抵抗欺骗攻击。这种模式是由“新空间”运动实现的,其中高性能的卫星和部件现在是在装配线上制造的,发射成本降低了十倍以上。这种无处不在的定位服务实现了一致和安全的标准,其中可以验证和共享值得信赖的信息,将电子地平线从传感器视线扩展到整个城市。这使得真正的安全操作所需的态势感知能够支持大规模的自主性。
2020-05-19 cs.RO eess.SP
Real-Time Sounding in ISAC networks: Design and Implementation of a Multi-Node Testbed with Synchronized Airborne and Ground-Based Sensors
Technische Universität Ilmenau(伊尔梅瑙工业大学);AeroDCS Gmbh(AeroDCS有限公司);CiS GmbH(CiS有限公司)
本文设计并实现了一个基于COTS硬件和RTK/INS同步的分布式信道探测测试台,集成空中与地面多节点,用于验证多基地ISAC网络中检测与定位算法,并通过真实测量活动验证其有效性。
2025-08-26 eess.SP
A framework for GNSS-based solutions performance analysis in an ERTMS context
Univ Gustave Eiffel(古斯塔夫·埃菲尔大学);IRT Railenium(Railenium铁路技术研究院);SNCF(法国国家铁路公司)
针对GNSS用于ERTMS铁路定位时受环境影响且性能难评估的问题,本文提出动态性能分析框架,并依托R2DATO研究多场景测试与故障运营影响。
2024-10-24 cs.AI eess.SP