Sensor Deployment Optimization for Passive TDOA Localization Under Unknown Drift Distribution
School of Electronic Engineering, University of Electronic Science and Technology of China（电子科技大学电子工程学院）
针对漂移分布未知时被动TDOA定位的传感器部署问题，推导漂移误差下的GDOP，构建极小极大优化问题，提出AUPSO算法，为工程场景提供可靠的离线部署规划框架。
2026-08-04 eess.SP
Linear TDOA-based Measurements for Distributed Estimation and Localized Tracking
Aalto University（阿尔托大学）；Semnan University（塞姆南大学）；University of Cyprus（塞浦路斯大学）
提出了一种线性的到达时间差（TDOA）测量模型，以提高局部目标跟踪的\textit{distributed}估计性能。我们设计分布式过滤器稀疏（可能是大规模的）通信网络，使用基于共识的数据融合技术。建议的分布式和本地化的跟踪协议大大降低了传感器网络的所需的连接和通信速率。我们，进一步考虑$κ$ -冗余的可观测性和容错设计的情况下，失去通信链路或传感器节点。我们提出的最小条件，其余的传感器网络（链路/节点删除后），使分布式的可观测性仍然保留，因此，传感器网络可以跟踪（单个）机动目标。动机是减少通信负载与处理负载，因为计算单元通常比通信设备成本低。我们通过MATLAB仿真评估跟踪性能。
2022-04-26 cs.MA cs.RO cs.SY
Closed-Form Solution for Scaling a Wireless Acoustic Sensor Network
本研究提出了一种封闭形式的解决方案，定位和同步的声学传感器节点相对于无线声学传感器网络（WESTERN）。其目的是允许通过单独校准新加入的传感器节点而不是重新校准整个阵列来有效地扩展Wavelet。一个关键的贡献是，要校准的传感器不需要包括一个内置的发射器。所提出的方法使用从空间分布的源发射的信号来计算到达时间差（TDOA）测量现有的Wavelet和一个新的传感器之间。然后将该问题建模为一组多元非线性TDOA方程。通过一个简单的变换，将非线性TDOA方程转化为线性方程组。然后，加权最小二乘法（WLS）被应用到找到一个准确的估计的校准参数。信号源既可以是现有WESTERN内的已知发射器，也可以是环境中的任意源，因此可以灵活地应用于有源和无源校准场景。在各种条件下的仿真结果表明，高的联合定位和同步性能，往往与克拉美罗下限（CRLB）。
2023-02-03 eess.SP
Resource-Aware Topology Management for ISAC-Enabled TDOA Localization in IoUT Networks
United Arab Emirates University（阿联酋大学）
针对水下物联网网络 TDOA 定位难题，提出 ISAC-TM-MAE 框架，通过联合通信与定位，依据多种约束选节点对，用 D 最优准则最大化 FIM，经 MAE 阶段细化估计，提升了定位精度、资源效率、可扩展性及鲁棒性。
2026-07-28 eess.SP
TDOA-based Localization via Stochastic Gradient Descent Variants
源定位在诸如无线传感器网络和物联网（IoT）的若干领域中具有至关重要的意义，其中位置信息可以用于各种目的，例如监视、监测、跟踪，到达时间差（Time Difference of Arrival，TDOA）是一个很好的...已知的定位方法是源广播信号并且多个接收器记录所发送信号的到达时间。通过计算不同接收机的时差，可以估计出声源的位置。另一方面，近年来，在文献中出现了用于$(i)$处理大数据和用于$(ii)$训练深度神经网络的新型优化算法。这些技术大多是经典随机梯度下降（SGD）的增强变体，但具有促进更快收敛的附加功能。在本文中，我们比较了经典的SGD与上述新技术的性能。此外，我们提出了一个优化程序称为RMSProp+AF，这是基于RMSProp算法，但具有将自适应的衰减因子的优点。我们通过模拟表明，所有这些技术-这是常用的机器学习领域-也可以成功地应用于信号处理问题，并能够实现改进的收敛性和稳定性。最后，它也通过仿真表明，该方法可以优于其他竞争的方法，其收敛性和稳定性都是优越的。
2018-07-12 eess.SP
Majorization-Minimization based Hybrid Localization Method for High Precision Localization in Wireless Sensor Networks
Department of Electrical and Computer Engineering, University of Iowa（美国爱荷华大学电气与计算机工程系）
针对无线传感器网络混合源定位问题，提出基于MM原理的统一迭代定位框架，支持TOA/TDOA/RSS/AOA任意组合测量，仿真验证其在含NLOS的多场景下精度优于异质测量方案。
2025-10-06 eess.SP
Acoustic, VOC, and Multimodal Stress Source Localization in the Internet of Plants
Koç University（科奇大学）；University of Cambridge（剑桥大学）
提出一种两阶段粗到细定位流程，结合声学到达时间差多边定位和VOC弥散格林函数模型，实现植物网络中胁迫源的空间定位。
2026-06-16 eess.SP
A Closed-Form Noise-Sensitivity Asymmetry for Causal Branch Selection in Minimal-Array TDoA Localization
American University of Sharjah（沙迦美国大学）；Universiti Sains Malaysia（马来西亚理科大学）
研究最小阵列TDoA定位的分支选择模糊性问题，通过闭式分析得出不对称性符号条件，利用因果恒定记忆选择器，在多数操作点上物理根更敏感，外根规则实现高精度分支选择，而基于平滑性和连续性的方法在噪声下效果不佳。
2026-07-14 eess.SP
Time Difference of Arrival Source Localization: Exact Linear Solutions for the General 3D Problem
针对三维单源TDOA定位，论文提出4传感器和5传感器情形下无需最小二乘、线性化或迭代的精确纯代数线性解，并通过无噪声数值实验验证其在数值误差内的精确性。
2025-01-08 eess.AS eess.SP
A Propagation-model Empowered Solution for Blind-Calibration of Sensors
本文针对廉价或难以接近的传感器校准难题，将传感过程建模为事件传播与传感器测量两个过程，提出半盲和完全盲校准方法，并通过仿真验证其可行性。
2023-07-21 eess.SP
Calibration of chemical sensors in mobile wireless networks
部署在移动平台上的低功耗化学传感器使监测大城市地区的污染物浓度成为可能。然而，化学传感器易于漂移（例如，老化、损坏、中毒）并且必须定期校准。在本文中，我们提出了一种机会主义的校准方法，依赖于传感器之间的遭遇，当在彼此附近，传感器交换测量和使用积累的信息重新校准。我们将校准过程制定为加权最小二乘法，其中最近的测量值被分配最高的权重。我们使用指数衰减函数（在时间上）对权重进行建模，并使用模拟退火（SA）优化衰减常数。在一个模拟的传感器网络上验证了该方法的有效性，其中传感器的移动性由随机路点（RWP）模型驱动。我们目前的结果在不同的权重函数和网络大小的平均校准误差。
2020-06-17 eess.SP
Robust Algorithms for Localizing Moving Nodes in Wireless Sensor Networks
新兴的无线传感器技术（WSN）的巨大成功引发了通信领域定位的概念。事实上，随着无线传感器网络应用的激增，包括医学，军事以及运输，对本地化的兴趣进一步增长。通过利用传感器终端的一个子集，在一个无线传感器网络中收集的数据可以被识别和相关，这有助于管理分布在整个网络中的节点。在文献中提出的大多数情况下，要定位的节点通常被认为是静态的。然而，当我们走向第五代移动通信时，移动性方面应该被考虑。因此，这项研究的新颖性依赖于它的能力，合并机器人技术以及无线传感器网络领域创造一个国家的最先进的移动节点的定位。具有挑战性的方面依赖于合并这两个平台的能力，以尽可能减少每个平台的限制。提出了一种结合粒子滤波（PF）和到达时间差（TDOA）的混合方法。仿真结果表明，该方法优于其他技术的准确性和鲁棒性。
2018-07-20 eess.SP
Dynamic Calibration of Nonlinear Sensors with Time-Drifts and Delays by Bayesian Inference
大多数传感器校准依赖于其响应特性的线性和稳定性，但实际传感器是非线性的，并且其响应随时间漂移，限制了它们的选择。为了拓宽领域的传感器，允许在底层动态的非线性和时间漂移，贝叶斯推理为基础的非线性，非因果动态校准方法，其中的传感器测量和经过的时间的有限长度的序列被估计为后验条件平均值。此外，提出了一种算法，以调整一个已经学习的校准地图在线时，新的数据到达。所提出的方法的有效性进行了验证连续葡萄糖监测（CGM）的数据，从一个活着的大鼠配备了内部光学葡萄糖传感器。为了允许选择的灵活性，还对使用FDA批准的虚拟糖尿病患者模型以及说明性CGM传感器模型生成的合成血糖水平（BGL）数据集执行验证。
2022-08-29 eess.SP
PCA-aided calibration of systems comprising multiple unbiased sensors
针对多传感器系统校准易陷入局部极小值的问题，提出一种基于主成分分析的新型闭式校准算法，并通过12个单轴陀螺仪仿真实验验证了其校准精度。
2024-06-01 eess.SP
Self Calibration of Scalar and Vector Sensor Arrays
在这项工作中，我们考虑使用传感器阵列的联合校准和到达方向（DOA）估计的问题。这种联合估计问题被称为自校准。与许多以前的迭代方法不同，我们提出了几何无关的凸优化算法来联合估计传感器增益和相位误差以及源波达方向。我们得到这些算法的基础上，传统的元素空间数据模型和协方差数据模型。我们专注于稀疏和定期阵列形成的标量传感器以及矢量传感器。所开发的算法是通过将基本的双线性校准模型转换成线性模型，然后使用标准的凸松弛技术来估计未知参数。在算法讨论之前，我们还推导出了自校准问题存在唯一解的可识别性条件。为了证明所开发的技术的有效性，数值实验和比较国家的最先进的方法。最后，从一个实验中进行的消声室使用声矢量传感器阵列的结果，以证明所提出的自校准技术的实用性。
2021-04-06 eess.SP
Sens-BERT: Enabling Transferability and Re-calibration of Calibration Models for Low-cost Sensors under Reference Measurements Scarcity
本文提出Sens-BERT，一种受BERT启发的两阶段（自监督预训练和监督微调）低成本传感器校准方法，通过仅用LCS数据预训练学习传感器行为，解决了传统校准需频繁重校准、依赖大量配对数据且缺乏可迁移性的问题。
2023-09-23 eess.SP
Two-Dimensional Magnetometer Calibration Using Inertial Sensors for Heading Estimation
School of Advanced Technologies, Iran University of Science and Technology（伊朗理工大学先进技术学院）；Department of Electrical Engineering, Sharif University of Technology（谢里夫理工大学电气工程系）
针对磁力计标定中多轴旋转激励不可行的问题，提出一种借助惯性传感器的二维闭式非迭代标定方法，利用单轴旋转及横滚俯仰角实现航向估计，仿真与实验验证了有效性。
2026-10-06 eess.SP
Distributed Target Tracking based on Localization with Linear Time-Difference-of-Arrival Measurements: A Delay-Tolerant Networked Estimation Approach
本文提出一种分布式单时间尺度目标跟踪方法，基于TDOA测量并容忍异构延迟，通过本地LMI反馈增益确保误差稳定性，降低网络连通性与通信速率要求。
2024-12-22 cs.SI cs.SY eess.SP
Few-shot calibration of low-cost air pollution (PM2.5) sensors using meta-learning
IIT Kanpur（印度理工学院坎普尔分校）
低成本颗粒物传感器正在改变空气质量监测，因为与参考监测器相比，它们具有更低的成本和更大的移动性。这些低成本传感器的校准需要来自共同部署的参考监测器的训练数据。基于机器学习的校准提供比传统技术更好的性能，但需要来自传感器的大量训练数据，以与参考监视器共同部署来校准。在这项工作中，我们提出了新的迁移学习方法快速校准的传感器与最小的共同部署与参考监视器。迁移学习利用来自其他传感器的大量数据以及来自目标传感器的有限量的数据。我们广泛的实验发现，所提出的基于模型不可知元学习（MAML）的迁移学习方法是最有效的其他竞争基准。
2021-08-02 cs.LG eess.SP
Sensor-Movement-Robust Angle Estimation for 3-DoF Lower Limb Joints Without Calibration
基于惯性测量单元（IMU）的下肢关节3自由度角度估计方法已经研究了几十年，然而由于实时应用的挑战，校准运动和/或仔细的传感器放置仍然是必要的。提出了一种新的无标定的下肢关节角度估计方法。提出了一种基于反馈迭代过程的实时优化方法，利用参考坐标系标定算法对三自由度关节的三个关节轴进行辨识，并提出了一种安全策略来检测和补偿由传感器运动引起的误差。从一个3自由度的框架和10个健康的受试者获得的实验结果表明，3自由度的角度估计有前途的性能。特别地，对10名受试者进行了三种步态模式和2 min水平步行的实验。对于水平行走，均方根误差小于2度，对于其他两种步态模式，均方根误差小于5度。2分钟水平行走的结果表明，我们的算法在长期运行的稳定性。通过多组IMU的数据证明了对传感器移动的鲁棒性。此外，三自由度框架的结果表明，三自由度角度估计的精度可以提高84.9%，与我们的参考框架校准算法。总之，我们的研究提出并验证了传感器运动鲁棒的3自由度角度估计下肢关节的IMU的基础上。据我们所知，我们的方法是第一个实验性的实现基于IMU的3自由度角度估计下肢关节没有校准。
2019-10-16 eess.SP
LACI: Low-effort Automatic Calibration of Infrastructure Sensors
Ulm University（乌尔姆大学）
传感器校准通常是一项耗时但重要的任务。虽然经典的方法是传感器特定的，往往需要校准目标，以及广泛重叠的视场（FOV），在这项工作中，一个合作的智能车辆被用作校准目标。在传感器帧中检测到车辆，然后与协作智能车接收到的协作感知信息进行匹配。所提出的算法是完全自动化的，以及传感器无关，只依赖于一组非常常见的假设。由于在世界帧上直接配准，因此不需要重叠FOV。该算法是通过实验评估的四个laserscanners以及一对立体相机显示的重复误差内的传感器的测量不确定度。可重复性检查排除了可能未通过评估重复误差来涵盖的系统误差。
2019-11-05 cs.CV eess.SP
Magnetic Sensor Compensation Utilizing Factor Graph Estimation
本文提出基于因子图优化的磁传感器校准算法，融合惯性测量与矢量/标量磁强计数据，解决大永久磁矩和时变外部磁场下的校准难题，提升磁异常导航的传感器安装灵活性。
2023-12-22 eess.SP
High Accuracy VLP based on Image Sensor using Error Calibration Method
在本文中，可见光定位（VLP）的接收机采用商业图像传感器被认为是。本文首先分析了采用图像传感器的VLP系统的理论极限和误差来源。在此基础上，建立了基于接收机运动的VLP定位模型，并进一步提出了两种新的误差校准算法，即旋转校准法和色散圆校准法。旋转算法估计图像中的旋转中心，而不是将图像中心视为旋转中心，从而减少定位误差。对于色散圆，它可以抵消定位计算中不同坐标转换产生的偏移误差。实验结果表明，本文提出的方法的平均定位误差可以降低到0.82cm，达到了VLP领域的先进水平。
2020-10-01 eess.IV eess.SP
Real-time Calibration Model for Low-cost Sensor in Fine-grained Time series
University of Maryland（马里兰大学）
针对低成本传感器校准问题，本文提出TESLA模型，利用Transformer和对数分箱注意力在硬件受限条件下实现细粒度时间序列的高精度、低能耗实时校准。
2024-12-28 cs.AI cs.LG eess.SP
Accurate Calibration of Power Measurements from Internal Power Sensors on NVIDIA Jetson Devices
本研究针对NVIDIA Jetson设备内置功率传感器测量不准的问题，提出使用外部硬件获取真实功率并构建回归模型进行校准，将误差从高达50%降至3%以内，为边缘服务能效设计提供可靠数据。
2023-06-19 eess.SP
Reference-free Calibration in Sensor Networks
Holst Centre / IMEC-NL（霍尔斯特中心 / 荷兰IMEC）
传感器校准是大规模物联网网络的基本挑战之一。在这篇文章中，我们解决了密集部署的传感器网络的无参考校准的挑战。传统上，为了校准就地传感器网络（或传感器阵列），在具有或不具有关于传感器性能的先验信息的情况下任意地选择参考。然而，如果无意中选择了错误的传感器，则任意选择参考可能是致命的。为了避免单点依赖，并提高估计性能，我们提出了无偏无参考算法。虽然，我们的重点是参考免费的解决方案，拟议的框架，允许纳入额外的参考，如果可用的。我们表明，与模拟的帮助下，所提出的解决方案实现了渐近推导的统计下界。此外，所提出的算法在现实生活中的数据集上显示出改进，与流行的算法相比。
2018-05-30 cs.LG eess.SP stat.AP
Digital Methods to Quantify Sensor Output Uncertainty in Real Time
University of Cambridge（剑桥大学）；Signaloid
本文提出了一种实时量化传感器输出不确定性的方法，通过实验展示了其在边缘检测和校准数据存储场景中的有效性与效率提升。
2026-03-06 eess.SP
Statistical Study of Sensor Data and Investigation of ML-based Calibration Algorithms for Inexpensive Sensor Modules: Experiments from Cape Point
Sentech Soc Ltd（森泰克有限公司）
该研究基于南非开普角同址观测的低成本 NDIR CO$_2$ 传感器与真值数据，比较多种机器学习校准模型的预测性能、统计特性及时间漂移。
2025-03-09 cs.LG cs.SY eess.SP
Low-Cost Outdoor Air Quality Monitoring and Sensor Calibration: A Survey and Critical Analysis
University of Helsinki（赫尔辛基大学）
空气污染的重要性以及与之相关的问题正在推动全球空气质量监测站的部署。空气质量监测的最常见方法是依靠环境监测站，遗憾的是，环境监测站的购置和维护费用都非常昂贵。因此，环境监测站通常部署稀疏，导致测量的空间分辨率有限。最近，低成本的空气质量传感器已经成为一种替代方案，可以提高监测的粒度。然而，低成本空气质量传感器的使用带来了一些挑战：它们受到不同环境污染物之间的交叉敏感性的影响;它们可能受到外部因素的影响，例如交通，天气变化和人类行为;并且它们的准确性随着时间的推移而下降。定期重新校准可以提高低成本传感器的准确性，特别是基于机器学习的校准，由于其能够在现场校准传感器，因此显示出很大的前景。在本文中，我们调查了用于空气质量监测的低成本传感器技术及其使用机器学习技术进行校准的快速增长的研究前景。我们还确定了开放的研究挑战和未来的研究方向。
2021-01-25 cs.LG eess.SP stat.ML
Spatial-Temporal Graph Attention Fuser for Calibration in IoT Air Pollution Monitoring Systems
EPFL（洛桑联邦理工学院）；Federal Institute of Metrology (METAS)（联邦计量研究所）
针对物联网低成本空气污染传感器在不受控环境下校准困难的问题，提出利用图注意力网络模块融合传感器阵列数据的新方法，显著提升了校准准确性。
2023-09-08 cs.AI cs.LG eess.SP
3D Radar and Camera Co-Calibration: A Flexible and Accurate Method for Target-based Extrinsic Calibration
University of Arizona（亚利桑那大学）
针对3D雷达与相机外参标定操作繁琐的问题，提出一种利用单个角反射器同步采集数据并求解PnP问题的灵活标定方法，结合RANSAC和LM优化，在受控与真实实验中实现了15.31像素误差和89%准确率。
2023-07-28 cs.RO cs.SY eess.SP
Multi-frequency calibration for DOA estimation with distributed sensors
Mines Paristech（巴黎高等矿业学院）；Safran Electronics and Defense（赛峰电子与防务公司）；Paris-Nanterre University（巴黎楠泰尔大学）；University of Lille（里尔大学）；ENS Paris-Saclay（巴黎萨克雷高等师范学院）
在这项工作中，我们调查的方向发现存在的传感器增益的不确定性和方向扰动的传感器阵列处理在多频率的情况下。具体地说，我们采用了一种分布式优化方案，其中纳入了一致性模型，本地代理只在网络中连接的节点之间交换信息，即，没有融合中心。数值模拟突出了所提出的并行迭代技术在统计和计算效率方面的优势。
2020-02-24 cs.LG eess.SP stat.ML
Low power in-situ AI Calibration of a 3 Axial Magnetic Sensor
常规地，通过用便携式标量磁传感器扫描域来执行磁勘测。不幸的是，标量磁力计是昂贵的，功耗和笨重的。在许多应用中，校准的矢量磁力计可用于执行磁力勘测。近年来，基于人工智能（AI）的算法在许多现代应用中取得了最先进的成果。在这项工作中，我们研究了人工智能算法的经典标量校准的磁强计。提出了一种简单、低成本的磁测方法。该方法利用具有AI校准程序的低功耗传感器，该AI校准程序改进了常见的校准方法，并提出了传统技术和算法的替代方案。测量系统的设置经过优化，可在执行磁力测量之前快速部署。我们提出了一种校准方法的基础上旋转的传感器在自然地球磁场的最佳时间段的过程。该技术可以处理常量域偏移和非正交性问题，并且不需要任何外部参考。校准是通过找到一个估计器，产生校准参数，并产生最佳的几何拟合传感器读数。提出了一种综合考虑了测量系统中磁力仪的物理、算法和硬件特性的综合模型。几何椭球拟合方法进行了参数化测试。校准过程将均方根噪声从104 nT的数量级降低到小于10 nT，在自然地球磁场中完整的360度旋转中方差低于1 nT。
2021-06-27 cs.NA eess.SP math.NA
Not all those who drift are lost: Drift correction and calibration scheduling for the IoT
针对物联网传感器漂移及校准机会有限的问题，提出基于 Gaussian Process Regression 的概率漂移校正方法，并设计不确定性驱动的校准调度优化，显著降低 MSE。
2025-06-10 cs.DB eess.SP
Leveraging unsupervised data and domain adaptation for deep regression in low-cost sensor calibration
Indian Institute of Technology Kanpur（坎普尔印度理工学院）
随着人们对空气质量认识的提高，空气质量监测正成为一项重要任务。低成本空气质量传感器易于部署，但不如昂贵且笨重的参考监测器可靠。低质量传感器可以在深度学习的帮助下针对参考监视器进行校准。在本文中，我们将传感器校准的任务转化为一个半监督的领域自适应问题，并提出了一种新的解决方案。该问题具有挑战性，因为它是一个具有协变量偏移和标签间隙的回归问题。我们使用直方图损失代替均方或平均绝对误差，这是常用的回归，并发现它对协变量偏移有用。为了处理标签间隙，我们提出了对抗熵优化的样本加权。在实验评估中，所提出的计划优于许多竞争的基线，这是基于半监督和监督领域自适应，在R2得分和平均绝对误差。消融研究显示了整个方案中每个拟议组件的相关性。
2022-10-02 cs.LG eess.SP
Consensus-based Networked Tracking in Presence of Heterogeneous Time-Delays
我们提出了一个分布式（单）目标跟踪方案的基础上，在静态传感器网络的网络估计和共识算法。跟踪部分是基于我们以前的工作中提出的线性到达时间差（TDOA）测量。本文，特别是开发了延迟容忍分布式过滤解决方案，稀疏数据传输网络。我们假设一般任意异质延迟在不同的链接。这可能发生在许多现实的大规模应用中，其中不同节点之间的数据共享由于通信资源约束或大型空间分布式传感器网络而受到延迟。我们在这项工作中提出的解决方案在这种情况下表现出更好的性能（通过理论和模拟验证）。这种分布式方案的另一个优势是可以添加本地化的故障检测和隔离（FDI）策略以及可生存的图论设计，这为这项研究开辟了许多后续场所。据我们所知，没有这样的延迟容忍分布式线性算法给出在现有的分布式跟踪文献。
2023-02-15 cs.SY eess.SP eess.SY
