Transfer Learning-Enhanced Instantaneous Multi-Person Indoor Localization by CSI
针对无源室内多人定位依赖多数据包CSI的问题，提出多目标损失、CSI-ResNet、抗WiFi变化预处理及核范数迁移预训练，实现单时间戳99.21%定位准确率并发布大规模数据集。
2024-03-02 eess.SP
Indoor Wireless Signal Modeling with Smooth Surface Diffraction Effects
本文提出结合UTD表面衍射的DCEM算法，提升室内电磁场模拟精度，阴影区功率预测提高约5dB，计算速度比WinProp快60%。
2023-10-16 eess.SP
Localization in Dynamic Indoor MIMO-OFDM Wireless Systems using Domain Adaptation
针对动态室内NLoS环境变化导致无线指纹分布偏移、定位性能下降的问题，提出一种利用神经网络对齐变化前后指纹分布的域自适应框架，从而在新环境中实现可靠的UE位置预测。
2024-08-27 eess.SP
High Precision Indoor Localization with Dummy Antennas -- An Experimental Study
随着室内定位需求的不断增长，基于高精度技术的指纹变得越来越重要。最新的先进定位系统致力于在时域或频域提高定位精度，如UWB定位技术可以达到厘米级精度，但成本较高。因此，我们提出了一种基于空域扩展的低成本方案，并验证了天线扩展在定位精度方面的有效性。在本文中，我们实现了亚米级的定位精度，使用一个单一的AP通过扩展三个无线电链路的修改笔记本电脑到更多的天线。实验结果表明，在空域扩展和角域辅助的情况下，随着天线数目的增加，定位性能更加优越。
2021-08-24 eess.SP
A Survey of Application of Machine Learning in Wireless Indoor Positioning Systems
该综述针对室内人体定位的应用需求与挑战，全面梳理对比了基于机器学习的无线室内定位技术、输入数据、核心方法及相关数据集，分析了精度、扩展性与复杂度，为不同场景的技术选型提供参考。
2024-03-07 eess.SP
Self-Calibrating Indoor Localization with Crowdsourcing Fingerprints and Transfer Learning
精确的室内定位是第五代（5G）及以后的关键要求之一，涉及各种无线通信系统，其应用跨越不同的垂直领域。虽然最近提出了许多基于信号指纹的高精度定位方法，但它们中的绝大多数在部署在传播环境迅速变化的室内系统中时面临性能下降的问题。为了解决这一问题，采用了众包办法，根据这一办法，通过用户报告在相应的数据库中频繁更新指纹。然而，后期的众包技术需要精确的室内平面图，无法提供令人满意的准确性。在本文中，我们提出了一个低复杂度的自校准室内众包定位系统，结合历史和频繁更新的指纹高精度用户定位。我们提出了一种多核迁移学习方法，该方法利用了原始和更新的信道测量之间的内在关系。我们的室内实验室实验结果与所提出的方法，并使用Nexus 5智能手机在2.4GHz的20MHz带宽已经显示了约一米级的精度与合理的指纹更新开销的可行性。
2021-01-26 eess.SP
All-Indoor Optical Customer Premises Equipment for Fixed Wireless Access
我们展示了一个基于LED的光无线链路的固定无线接入应用，在数据率为1.5 Gbit/s超过50米。室内设备和室外接入点之间的传输可以通过金属涂层绝缘玻璃进行。
2021-05-26 cs.NI eess.SP
Spectrum-Energy-Economy Efficiency Trade-off of Wireless Communication Systems with Separated Indoor/Outdoor Scenarios for 5G and B5G
在本文中，我们考虑了一种异构的5G蜂窝架构，该架构将室外和室内场景分开，并特别研究了频谱效率（SE），能源效率（EE）和经济效率（ECE）之间的权衡。数学表达式的系统容量，EE，SE，和ECE分别来自使用一个建议的现实功耗模型。在SE，EE，和ECE方面的系统性能的比较，结果在观察到，所提出的网络架构，它分离的室外和室内的情况下，提供了一个有前途的解决方案，为未来的通信系统，有严格的数据速率和效率的要求。
2022-05-10 eess.SP
Robust Sub-meter Level Indoor Localization - A Logistic Regression Approach
室内定位成为我们日常生活中日益增长的需求。由于目前在室内环境中的大规模部署，WiFi系统最近已被应用于高精度定位。虽然传统的基于模型的定位方案可以通过融合多个信道状态信息（CSI）观测值来实现亚米级精度，但是相应的计算开销是显著的。为了解决这个问题，已经提出了使用深度学习框架的无模型定位方法，并应用了基于分类的技术。在本文中，我们建议在深度学习框架下使用基于逻辑回归的方案，而不是使用基于分类的机制，该方案能够在标准实验室环境中实现亚米级精度（97.2cm中等距离误差），并在单个WiFi AP设置下保持合理的在线预测开销。我们希望提出的基于逻辑回归的方案可以为无模型定位技术提供一些启发，并为基于深度学习的WiFi定位系统的实际部署铺平道路。
2019-02-17 eess.SP
RAIL: Robust Acoustic Indoor Localization for Drones
在GPS信号不可用、较弱、被故意屏蔽或欺骗的环境中导航对于广泛的应用来说至关重要。一个典型的例子是无人机在室内环境中的自主导航：为了完全或部分自主飞行，无人机需要准确和频繁地更新其位置。本文提出了一种鲁棒声学室内定位（RAIL）计划的无人机明确设计的GPS拒绝环境。RAIL不依赖GPS，而是利用超声波信号，使用新型混合跳频码分多址接入（FH-CDMA）技术来实现精确定位。与以前的方法相反，RAIL能够克服多径衰落效应并在接收机中提供精确的信号分离。使用原型实现的综合仿真和实验表明，RAIL提供了高精度的三维定位，平均误差小于$1.5$ ~cm。
2021-11-06 eess.SP
Weakly Supervised Indoor Localization via Manifold Matching
推断室内环境中的移动终端的位置是一个非常重要的公开问题。一种不需要部署昂贵基础设施的领先方法是指纹识别，其中训练分类器以基于其捕获的信号预测设备的位置。这种方法的主要警告是，获得足够大和准确的训练集可能是非常昂贵的。在这里，我们提出了一种弱监督的方法，只需要少量设备的位置。通过将信号的低维频谱表示与室内环境的给定草图相匹配来完成定位。我们在模拟和真实数据上测试了我们的方法，并表明它可以产生数米的精度，这与完全监督的方法相当。我们的方法的简单性和它的准确性与最小的监督，使其非常适合在室内定位系统的实施。
2022-02-07 eess.SP
A Local Machine Learning Approach for Fingerprint-based Indoor Localization
近年来，由于高定位精度和低实现成本，室内定位问题的机器学习（ML）解决方案变得流行。本文提出了一种新的局部非参数方法来解决高维接收信号强度指示（RSSI）值的定位。我们的方法包括一系列的分类算法，顺序缩小了可能的空间定位解决方案到更小的社区。这种顺序分类方法的思想类似于决策树算法，但关键区别在于我们在每个节点处对数据集的分割不是基于输入的特征（即RSSI值），而是基于从输出变量（即3D真实世界坐标）生成的一些离散值变量。我们的本地化解决方案的强度可以通过适当选择如何顺序地将位置空间划分为更小的邻域来调整到问题的具体细节。使用公开的室内定位数据集UJIIndoorLoc，我们评估了我们提出的方法与数据集的全局ML算法。本文的主要贡献是介绍了一种新的本地ML解决方案的室内定位问题。
2023-02-21 eess.SP
MetaRadar: Indoor Localization by Reconfigurable Metamaterials
室内定位由于其支持基于位置的服务的潜力而引起了广泛的关注。在各种室内定位技术中，基于接收信号强度（RSS）的定位技术得到了广泛的研究。然而，在无线电环境不可配置的传统的基于RSS的系统中，相邻位置可能具有相似的RSS值，这限制了定位精度。在本文中，我们提出了MetaRadar，它探讨了可重构的无线电反射与超材料单元的表面/平面多用户定位。MetaRadar通过改变超材料的反射率，修正不同位置的无线电信道，使相邻位置的RSS值有显著差异，从而提高定位精度。然而，在MetaRadar中，为由超材料单元生成的所有无线电环境构建无线电地图并从所有可能的地图中选择合适的地图以实现高精度定位是具有挑战性的。为了解决这一挑战，我们提出了一种压缩构造技术，可以预测所有可能的无线电地图，并提出了一种配置优化算法来选择有利的超材料反射率和相应的无线电地图。实验结果表明，从分米级的定位误差在传统的基于RSS的系统中的一个厘米级的MetaRadar的显着改善。
2023-03-24 eess.SP
Simultaneous Indoor and Outdoor 3D Localization with STAR-RIS-Assisted Millimeter Wave Systems
同时透射（折射）和反射的可重构智能表面（STAR-RISs）最近被确定用于提高频谱/能量效率并扩展通信范围。然而，其增强的室内和室外同时定位的潜力尚未被探索。在本文中，我们研究的基本限制，即，通过Fisher信息分析的CramérRao下界（CRLB），对STAR-RIS在毫米波频率下的三维（3D）定位性能进行了分析。研究了STAR-RIS系统中折射和反射的功率分裂效应以及两个移动台之间的功率分配问题。通过最大化对应于STAR-RIS反射和折射矩阵的两个子空间之间的主角，我们能够找到这些同时操作的最优解。我们验证了高精度的3D定位可以实现室内和室外MS时，系统参数得到很好的优化。
2022-07-19 eess.SP
OWP-IMU: An RSS-based Optical Wireless and IMU Indoor Positioning Dataset
针对基于RSS的光学无线定位系统缺乏开源数据集的问题，本文构建了包含多环境、多速度、多传感器数据的OWP-IMU数据集，并验证了融合IMU数据可提升定位精度。
2025-05-22 eess.SP
Decorrelation Deep Learning for Fingerprint-based Indoor Localization
室内定位由于其巨大的实际应用而受到特别关注。然而，室内无线信号传播的丰富多径和高穿透损耗使这一任务变得艰巨。虽然最近研究的基于指纹的技术可以处理多径效应，定位性能的敏感性信道波动是一个缺点。为了解决后者的挑战，我们采用人工多层神经网络（MNN）学习复杂的信道脉冲响应（CIR）作为指纹测量。然而，使用MNN的位置分类的性能关键取决于训练数据之间的相关性。因此，我们设计了两种不同的去相关滤波器，对训练数据进行预处理，以进行区分学习。第一种是结合主成分分析（PCA）的线性白化滤波器，它迫使不同特征维数的协方差矩阵是相同的。另一个滤波器是非线性量化器，其被优化以最小化量化引起的失真。使用室内信道模型的数值结果表明，所提出的去相关MNN（DMNN）相比，其他基准的显着改善。
2019-08-06 eess.SP
Towards Fine-Grained Indoor Localization based on Massive MIMO-OFDM System: Experiment and Analysis
随着室内定位服务需求的快速增长，细粒度室内定位技术受到了广泛关注。具体地，大规模（大规模）多输入多输出（MIMO）系统由于高角度分辨率而受到越来越多的关注。提出了一种基于大规模多输入多输出正交频分复用（OFDM）系统的室内定位实验平台，该系统支持物理层信道测量。而不是利用信道状态信息（CSI）直接定位，我们专注于从多径分量（MPC），这是通过空间交替广义期望最大化（SAGE）算法从CSI中提取的角度定位。在现有的MPC之上，我们提出了一个基于不同的单度量和混合度量方案的广义指纹系统。我们评估了不同天线拓扑结构、训练集大小、天线数量和有效信噪比（SNR）的影响。实验结果表明，该指纹识别方法可以实现厘米级的定位精度与一个相对较小的训练集。具体地，分布式均匀线阵获得了最高的精度与约1.63-2.5厘米的平均绝对误差，由于高的空间分辨率。
2021-09-08 eess.SP
Autonomous WiFi Fingerprinting for Indoor Localization
基于WiFi的室内定位技术受到了学术界和工业界的广泛关注。然而，构建和维护WiFi指纹地图的开销仍然是基于WiFi的室内定位系统广泛部署的瓶颈。最近，机器人被采用作为专业测量员来自主地对环境进行指纹识别。但是时间和能量的代价仍然限制了机器人测量的覆盖范围，从而降低了其可扩展性。为了满足这一需求，我们设计了一个AutonomousWiFi指纹识别系统，称为AuF，它自主地构建指纹数据库，具有时间和能源效率。AuF首先在目标室内环境中进行自动初始化过程，然后分两步构建WiFi指纹数据库：（i）在不逗留的情况下测量站点;（ii）使用两种方法恢复数据库中的不可靠信号。我们已经实施和评估AuF使用先锋3-DX机器人，在我们的$70$ $\times$ $90$ m $^2$部门建设与不同的结构和部署的接入点（AP）的两个网站。结果表明，AuF在43/51分钟内完成指纹数据库的构建，两层的功耗分别为60/82 Wh，与传统的现场测量方法相比，分别降低了64%/71%和61%/64%，而定位精度没有下降。
2019-11-26 eess.SP
CiUAV: A Multi-Task 3D Indoor Localization System for UAVs based on Channel State Information
本文提出CiUAV，一种基于CSI和ESP32传感器的无人机三维室内定位系统，通过AGC补偿和SiS多任务模型，在资源受限环境中实现0.2629米定位误差，兼顾成本与鲁棒性。
2025-05-27 eess.SP
iDROP: Robust Localization for Indoor Navigation of Drones with Optimized Beacon Placement
许多应用中的无人机需要完全或部分自主飞行的能力来完成其任务。为了实现这些完全/部分自主飞行，首先，无人机需要能够不断定位自己。然后，导航命令信号将被生成并传递到无人机的控制器单元。在本文中，我们提出了一种名为iDROP（具有优化信标位置的无人机室内导航鲁棒定位）的无人机定位方案，该方案专门针对GPS拒绝环境（例如，室内空间）。与GPS信号不同，iDROP依靠扬声器产生的超声波信号来使无人机能够估计其位置。通常，定位误差是由于两个因素：测距误差和由发射机和接收机之间的相对几何形状引起的误差。iDROP减轻了这两种类型的错误，并为无人机提供了高精度的三维定位方案。iDROP采用对多径衰落鲁棒的波形。此外，通过将信标放置在最佳位置，它减少了由发射器和接收器之间的相对几何形状引起的定位误差。
2022-01-26 eess.SP
Robust Sub-Meter Level Indoor Localization With a Single WiFi Access Point-Regression Versus Classification
精确的室内定位对于各种新兴应用（如虚拟/增强现实和个性化广告）来说是越来越苛刻的要求。当前的室内环境配备有多个WiFi接入点（AP），其部署预计在未来将是大规模的，从而实现高度精确的定位方法。虽然传统的基于模型的定位方案通过融合多个信道状态信息（CSI）观测值获得了亚米级的定位精度，但是相应的计算开销通常是显著的，特别是在当前的多输入多输出正交频分复用（MIMO-OFDM）系统中。为了解决这个问题，最近提出了使用深度学习框架的无模型定位技术，其中主要应用分类方法。在本文中，我们提出了一种基于逻辑回归的方案，而不是基于分类的机制，该方案具有深度学习框架，结合Cramér-Rao下限（CRLB）辅助的鲁棒训练，在标准实验室环境中实现了更鲁棒的亚米级精度（0.97 m中位距离误差），并在单个WiFi AP设置下保持合理的在线预测开销。
2019-11-17 eess.SP
Evaluation of An Indoor Localization Engine
本文提出一种融合智能手机多源数据的室内定位引擎，并在超过250个实验的大规模数据库上验证了其在恶劣条件下的鲁棒性和轻量级实现的可行性。
2024-04-30 eess.SP
MetaLocalization: Reconfigurable Intelligent Surface Aided Multi-user Wireless Indoor Localization
基于接收信号强度（RSS）的技术被广泛用于室内环境中的定位。由于相邻位置的RSS值可能是相似的，因此基于RSS的技术的定位精度是有限的。为了解决这个问题，在本文中，我们提出了利用可重构智能表面（RIS）的RSS为基础的多用户定位。由于RIS能够通过调整在表面处反射的信号的相移来定制无线电信道，所以可以通过选择在相邻位置之间具有显著RSS值差异的适当相移来提高RIS辅助方案中的定位精度。然而，它是具有挑战性的，以选择最佳的相移，因为位置估计的决策函数和相移耦合。为了应对这一挑战，我们制定了优化问题的RIS辅助定位，推导出最佳的决策函数，并设计相移优化（PSO）算法来有效地解决制定的问题。对所提出的RIS辅助技术进行了分析，并通过仿真验证了其有效性。
2023-03-24 eess.SP
Multiview Variational Deep Learning with Application to Scalable Indoor Localization
利用许多接收机测量的无线电信道状态信息（CSI）是用于利用具有判别模型的机器学习来定位发射设备的良好资源。然而，CSI定位是不平凡的，当无线电地图是复杂的，如在建筑物走廊。本文介绍了一种基于WiFi信道状态信息的视点选择性深度学习（VSDL）室内定位系统。使用从多组接入点（AP）获得的CSI的多视图训练在监督变分深度网络上生成潜在特征。然后将此信息应用于用于主导视图分类的附加网络，以提高定位的回归精度。由于拒绝了来自多个视图的非信息性潜在特征，我们可以实现0.77 m的定位精度，其优于30 $\%$在真实建筑环境中的实际应用中的最佳已知精度。据我们所知，这是第一种方法，应用变分推理，并构建一个可扩展的无线电定位系统。此外，我们的工作研究了多视图数据的监督学习方法，其中信息和非信息视图共存。
2020-08-25 eess.SP
A Tensor Completion Approach for Efficient and Robust Fingerprint-based Indoor Localization
定位技术是室内定位服务发展的关键。基于射频指纹的定位是最有前途的方法之一。然而，这是具有挑战性的，将这种定位到现实世界的环境中，因为它是耗时和劳动密集型的构建指纹数据库作为本地化的先验。另一个挑战是指纹中异常读数的存在降低了定位精度。为了解决这两个挑战，我们提出了一个有效的和强大的室内定位方法。首先，我们将指纹数据库建模为3-D张量，它表示指纹，位置和访问点的索引之间的关系。其次，我们介绍了一个张量分解模型的鲁棒指纹数据恢复，它分解的部分观测张量的叠加低秩张量和备用异常张量。第三，我们利用交替方向乘子法（ADMM）来解决异常情况下的张量核范数完备化的凸优化问题。最后，我们验证了所提出的方法上收集的地面实况数据集的办公楼大小为80米× 20米。实验结果表明，要达到同样的错误率4%，我们的方法的采样率只有10%，而它的国家的最先进的方法是60%。此外，所提出的方法导致更准确的定位（近20%，0.6米的改进）相比，比较的方法。
2017-11-08 eess.SP
Secure practical indoor optical wireless communications using quantum key distribution
量子密钥分配（QKD）可以保证实际室内光无线环境的安全性。关键的挑战是减轻接收器处的人工照明和环境光。提出了一种新的量子密钥分配光谱区域，并利用实验测量的环境光功率模拟了理想的量子密钥分配链路模型。模拟、建模和分析表明，二氧化碳和水的吸收带（1370 nm）是室内光无线环境中QKD操作的新波长区域。对于可行的QKD链路，当使用BB84协议时，需要大约20 dB的信噪比（SNR）和11%的最大量子误比特率（QBER）。在新的光谱区域中具有几度FOV的链路是可行的，这取决于可用的组件。
2020-04-28 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
EdgeLoc: An Edge-IoT Framework for Robust Indoor Localization Using Capsule Networks
随着室内场景对基于位置的服务的需求空前高涨，无线室内定位已成为移动用户必不可少的手段。虽然GPS在室内空间不可用，但WiFi RSS指纹识别因其无处不在的可访问性而变得流行。然而，实现鲁棒且高效的室内定位具有两个主要挑战。首先，随机信号波动会降低定位精度，这会影响传统的定位算法，这些算法只是从原始指纹数据中学习手工制作的特征。其次，移动用户对定位时延敏感，而传统的室内定位算法计算量大，耗时长。在本文中，我们提出了EdgeLoc，这是一个边缘物联网框架，用于使用胶囊网络进行高效和强大的室内定位。我们使用CapsNet开发了一个深度学习模型，可以有效地从WiFi指纹数据中提取层次信息，从而显着提高定位精度。此外，我们实现了一个边缘计算原型系统，通过使移动用户能够使用边缘服务器经过良好训练的深度学习模型来实现近乎实时的定位过程。我们使用超过33，600个数据点进行了真实世界的现场实验研究，并使用开放数据集进行了广泛的合成实验，实验结果验证了EdgeLoc的有效性。在现场实验中，EdgeLoc系统的最佳折衷在平均定位时间仅为2.31 ms的情况下实现了98.5%的定位精度。
2020-09-12 cs.NE eess.SP
Multi-Head Attention Neural Network for Smartphone Invariant Indoor Localization
Colorado State University（科罗拉多州立大学）
智能手机与RSSI指纹识别一起作为提供低成本和高精度室内定位解决方案的有效方法。然而，一些关键的挑战阻止了这项技术在公共领域的广泛扩散。一个这样的关键挑战是设备异质性，即，在不同的智能手机设备上捕获的RSSI信号特性的变化。在现实世界中，用于捕获RSSI指纹的智能手机或物联网设备通常会因室内定位服务的用户而异。传统的室内定位解决方案可能无法应对可能降低其定位精度的设备引起的变化。我们提出了一种基于多头注意神经网络的室内定位框架，该框架对设备异构性具有弹性。我们提出的框架在各种室内环境中的深入分析表明，与最先进的室内定位技术相比，准确率提高了35%。
2022-05-17 cs.AI cs.LG eess.SP
FedHIL: Heterogeneity Resilient Federated Learning for Robust Indoor Localization with Mobile Devices
Colorado State University（科罗拉多州立大学）
本文提出FedHIL框架，将联邦学习与室内定位结合，并通过选择性权重调整应对设备异构和噪声数据，在真实环境中实现比最优联邦室内定位框架高1.62倍的定位精度。
2023-07-04 cs.LG cs.MA eess.SP
Indoor Localization Using Smartphone Magnetic with Multi-Scale TCN and LSTM
Northeastern University（东北大学）
提出了一种新的基于多尺度时间卷积网络（TCN）和长短期记忆网络（LSTM）的磁定位方法。为了提高地磁信号的可分辨性，首先建立了时间序列预处理方法。接下来，调用TCN在保持LSTM模型时间序列特征的基础上扩展特征维度。然后，针对定位模型和移动用户之间时间序列速度不一致的问题，采用不同伸缩因子的多个TCN构建多尺度时间序列层。最终提出了一种多尺度TCN和LSTM的堆叠框架，用于室内磁定位。实验结果证明了该算法在室内定位中的有效性。
2021-09-24 cs.LG 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
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
SANGRIA: Stacked Autoencoder Neural Networks with Gradient Boosting for Indoor Localization
Colorado State University（科罗拉多州立大学）
针对室内定位中的设备异构性问题，提出融合堆叠自编码器神经网络与梯度提升树的指纹定位框架SANGRIA，实验表明其平均定位误差较现有方法降低42.96%。
2024-03-03 cs.AI cs.LG eess.SP
OpenCSI: An Open-Source Dataset for Indoor Localization Using CSI-Based Fingerprinting
许多应用需要精确的室内定位。基于指纹的定位方法提出了解决这个问题的方案，但依赖于无线电地图，这是努力密集型获取。我们自动化的无线电地图采集阶段使用软件定义的无线电（SDR）和轮式机器人。此外，我们还开源了使用我们的自动化工具获取的无线电地图，用于3GPP长期演进（LTE）无线链路。据我们所知，这是第一个公开可用的包含信道状态信息（CSI）的无线电地图。最后，我们描述了使用卷积神经网络回归位置坐标的无线电地图上的第一次定位实验。
2022-04-14 cs.LG eess.SP
Indoor Localization for IoT Using Adaptive Feature Selection: A Cascaded Machine Learning Approach
Massachusetts Institute of Technology（麻省理工学院）；Khalifa University（哈利法大学）
不断发展的物联网（IoT）应用通常需要使用基于传感器的室内跟踪和定位，通过识别周围室内环境的类型，可以显著提高性能。这种识别是非常重要的，因为它导致更高的定位精度。提出了一种基于级联两阶段机器学习方法的新方法，用于在室内环境中使用自适应选择和组合RF特征的高精度和鲁棒性定位。在所提出的方法中，首先使用机器学习来识别周围室内环境的类型。然后，在第二阶段，采用机器学习来识别最合适的RF特征选择和组合，以产生最高的定位准确度。分析基于k-最近邻（k-NN）机器学习算法，该算法应用于从真实室内环境中的RF信号的实际测量生成的真实数据集。接收信号强度、信道传递函数和频率相干函数是正在探索和组合的主要RF特征。数值研究表明，预测的基础上级联的主要RF功能显着增强的定位精度提高了至少50%到70%以上。
2019-05-03 cs.AI eess.SP
A Framework for CSI-Based Indoor Localization with 1D Convolutional Neural Networks
Colorado State University（科罗拉多州立大学）
现代室内定位技术是克服室内环境中GPS覆盖弱的关键。近年来，基于信号指纹的信道状态信息（CSI）室内定位技术取得了很大进展。然而，CSI信号模式在具有复杂内部的大且高度动态的室内空间中可能是复杂的，因此迫切需要用于解决该问题的解决方案以将CSI的应用扩展到更广泛的室内空间。在本文中，我们提出了一个端到端的解决方案，包括数据收集，模式聚类，去噪，校准和一个轻量级的一维卷积神经网络（1D CNN）模型与CSI指纹来解决这个问题。我们还创建了一个CSI数据集，并计划将其开源，该数据集包含在科罗拉多州立大学复杂的室内环境中收集的大量数据。实验表明，与最著名的深度机器学习和基于CSI的室内定位工作相比，我们的方法在最少参数的情况下实现了高达68.5%的性能改进（平均距离误差）。
2022-05-17 cs.AI cs.LG eess.SP
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
OPTILOD: Optimal Beacon Placement for High-Accuracy Indoor Localization of Drones
Virginia Tech（弗吉尼亚理工学院暨州立大学）
对于许多应用，无人机需要完全或部分自主操作。为了完全或部分自主飞行，无人机需要访问位置服务以获取导航命令。虽然使用全球定位系统（GPS）是一个显而易见的选择，但GPS并不总是可用的，可能被欺骗或干扰，并且在室内和地下环境中非常容易出错。利用信标的测距方法是目前常用的定位方法之一，特别适用于室内环境。一般来说，这类定位误差是由于两个因素造成的：测距误差和信标与待定位目标之间的相对几何形状引起的误差。本文提出了OPTILOD（Optimal Beacon Placement for High-Accuracy Indoor Localization of Drones），这是一种用于三维室内环境中信标最优放置的优化算法。OPTILOD利用进化算法的进步来计算信标的最小数量及其最佳位置，以最大限度地减少定位误差。这些问题属于混合整数规划（MIP）类，并且都被认为是NP困难的。尽管如此，OPTILOD可以提供多个最佳的信标配置，最大限度地减少定位误差和部署的信标的数量，同时和时间效率。
2022-01-26 cs.RO eess.SP
A Variational Auto-Encoder Enabled Multi-Band Channel Prediction Scheme for Indoor Localization
Shanghai Institute for Advanced Communication and Data Science（上海先进通信与数据科学研究院）；Shanghai University（上海大学）
本文提出利用变分自编码器预测另一信道的CSI值并拼接多频段信息，以提升室内指纹定位精度，并在仿真和实测WiFi数据上验证了方案有效性。
2023-09-19 cs.LG cs.SI eess.SP
Seirios: Leveraging Multiple Channels for LoRaWAN Indoor and Outdoor Localization
本地化对于通过LoRaWAN连接的大量物联网（IoT）端点设备非常重要。由于LoRaWAN的带宽限制，没有专用硬件的现有定位方法（例如，GPS）产生差的性能。为了提高定位精度，我们提出了一种超分辨率定位方法，称为Seirios，它具有一种新的算法，通过利用无线电物理层的独特功能来同步多个非重叠的通信信道，以增加整体带宽。通过利用物理层的原始和共轭，Seirios可以解决室内和室外环境中多个反射器的直接路径。我们设计了一个Seirios原型，并评估其性能在室外100米$\times$ 60米，室内25米$\times$ 15米的区域，这表明，Seirios可以实现4.4米的室外（80%的样本< 6.4米），室内2.4米（80%的样本< 6.1米），分别为。结果表明，Seirios产生的定位误差比基线方法少42%。我们的评估还表明，与先前在具有更宽带宽的Wi-Fi定位系统中的研究不同，对于具有窄带无线电信号的LoRaWAN定位系统，战斗时间（ToF）估计不太有效。
2021-08-16 cs.NI eess.SP
High-Resolution Programmable Scattering for Wireless Coverage Enhancement: An Indoor Field Trial Campaign
本文提出了一种多位可重构智能表面（RIS），具有高相位分辨率，能够在方位平面内的波束转向在6千兆赫（GHz）以下。在现实的室内部署的现场试验已经进行，与覆盖增强性能确定为三个常见的无线通信的情况下。也就是说，在具有混合视线和非视线条件的开放大厅中为用户服务，经由长走廊之间的接合处进行通信，以及经由窗户进行传播的多楼层场景。这项工作探讨了潜在的可重构智能表面（RIS）部署，以减轻非视线影响室内无线通信。在一个单一的发射机，单接收机的非视线链路，接收功率的改善多达40分贝被证明是可实现的，通过适当的位置的RIS，在3至4.5 GHz的范围内，至少100 MHz的瞬时带宽可能。此外，相位分辨率对多比特RIS的最佳功率接收的影响已经被实验验证，与1比特的情况相比有2.65 dB的改善。
2022-07-04 cs.ET eess.SP
Error Model of Radio Fingerprint and PDR Fusion Indoor Localization
Key Laboratory of Aerospace Information Security and Trusted Computing, Ministry of Education, China（中国教育部航空航天信息安全与可信计算重点实验室）；School of Cyber Science and Engineering, Wuhan University, China（中国武汉大学网络空间安全学院）
多源融合定位是获得足够室内定位精度的技术框架之一。为了评价多源融合定位的效果，需要建立融合误差模型。本文首先利用最小二乘法将无线电指纹和PDR定位进行融合，然后应用方差传播定律计算室内多源定位方法的误差分布。基于该融合误差模型，研制了室内定位仿真系统。该系统能够在给定条件下给出较好的定位源布局方案，并能对信号强度分布和误差分布进行评估。
2020-01-05 cs.RO eess.SP
Experimental Study on Probabilistic ToA and AoA Joint Localization in Real Indoor Environments
在本文中，我们研究了概率到达时间（ToA）和到达角（AoA）联合定位在真实的室内环境。为了减轻多径传播的影响，联合定位算法结合到似然函数高斯混合模型（GMM）和Von Mises-Fisher分布模型的时间偏差误差和角度的不确定性，分别。我们评估的算法性能使用专有的原型部署在室内工厂环境中的基础设施接收器在每个四个角落的天花板上的10米乘20米的部分。现场测试结果表明，我们的联合概率定位算法显着优于基线，仅使用ToA或AoA测量，并达到2-D亚米级精度在90%-ile。我们还数值证明，联合定位算法是更强大的同步误差比基线使用ToA测量。
2021-03-31 cs.NI eess.SP
Semi-Supervised Learning with GANs for Device-Free Fingerprinting Indoor Localization
Research Center for Information Technology Innovation, Academia Sinica（中央研究院资讯科技创新研究中心）
无设备无线室内定位是物联网（IoT）的关键使能技术。基于指纹的室内定位技术是一种常用的解决方案。提出了一种基于半监督生成对抗网络（GAN）的无设备指纹室内定位系统。所提出的系统使用少量的标记数据和大量的未标记数据（即，半监督），从而大大减少了昂贵的数据标记工作。实验结果表明，与最先进的监督计划相比，所提出的半监督系统实现了相当的性能与相等，足够量的标记数据，并显着优越的性能与相等，高度有限的标记数据量。此外，所提出的半监督系统在广泛的标记数据量范围内保持其性能。所提出的基于GAN的系统的生成器，神经网络和分类器模型之间的相互作用进行了可视化检查和讨论。所提出的系统的数学描述。
2020-08-17 cs.LG eess.SP
IndoorGNN: A Graph Neural Network based approach for Indoor Localization using WiFi RSSI
National Institute of Science Education and Research（国家科学教育与研究所）；Homi Bhabha National Institute（霍米·巴巴国家研究所）
本研究提出基于有监督图神经网络的室内定位方法IndoorGNN，利用WiFi RSSI值实现区域分类，在标准数据集上准确率优于现有方法，且在受限数据集下性能下降幅度小，可应用于导航、资产追踪等场景。
2023-12-11 cs.LG eess.SP
A Privacy-Preserving Indoor Localization System based on Hierarchical Federated Learning
ISEP, Institut Supérieur d’Electronique de Paris（巴黎高级电子学院）
本文提出基于联邦学习和深度神经网络的隐私保护室内定位方法，在性能接近集中式模型的同时保障数据隐私、带宽效率和服务器可靠性。
2025-07-02 cs.CR cs.LG eess.SP
Dynamic Indoor Fingerprinting Localization based on Few-Shot Meta-Learning with CSI Images
Southeast University（东南大学）；National Mobile Communications Research Laboratory（国家移动通信研究实验室）；Purple Mountain Laboratories（紫金山实验室）
本文提出一种基于少样本元学习和CSI图像的动态室内指纹定位方法，通过任务加权损失提升知识迁移，在有限CSI数据场景下平均欧氏距离增益达23.13%。
2024-01-11 cs.LG eess.SP
PILOT: High-Precision Indoor Localization for Autonomous Drones
Department of Electrical and Computer Engineering, Virginia Tech（弗吉尼亚理工大学电气与计算机工程系）
在许多情况下，无人机（UAV），又名无人机，需要具有自主飞行的能力才能成功执行任务。为了实现这些自主飞行，无人机需要不断地知道它们的位置。然后，基于当前位置和最终目的地，将生成导航命令，并将无人机引导到目的地。定位可以很容易地在户外环境中使用GPS信号和无人机惯性测量单元（IMU）进行。然而，这种方法在室内环境或GPS拒绝区域中是不可行的。在本文中，我们提出了一种专门针对室内环境设计的无人机定位方案，称为PILOT（自主无人机的高精度室内定位）。PILOT依靠超声波信号来估计目标无人机的位置。为了对无人机的位置进行精确的最终估计，PILOT部署了一个三阶段定位方案。前两个阶段提供对室内环境的多径衰落效应的鲁棒性，并减轻测距误差。然后，在第三阶段，PILOT部署了一个简单而有效的技术，以减少由发射机和接收机之间的相对几何形状引起的定位误差，并显着降低高度估计误差。在不同场景下对PILOT算法进行了性能评估，结果表明PILOT算法在无人机三维定位中达到厘米级精度。
2022-01-25 cs.RO eess.SP
Semantic Security for Indoor THz-Wireless Communication
研究了工业室内太赫兹（THz）无线通信应用中的物理层安全问题。我们使用一个类似的模型被用于加性高斯白噪声（AWGN）无线通信信道。一个细胞通信和定向通信的情况下进行了分析，以说明可实现的语义安全保证窃听信道与有限块长度太赫兹无线通信链路。我们表明，弱定向发射机（爱丽丝）天线，它允许与多个合法的接收机（鲍勃）没有适应的对齐，导致在大的不安全区域的小区类型的通信。在定向通信场景中，仅当Alice和Bob之间的距离较大时，所产生的不安全区域才被示出为覆盖室内环境的大体积。因此，我们的结果为两个选定的情况下，有一个严格的权衡之间的目标语义安全级别和可靠和安全的合法接收器的数量。此外，保密码参数和天线属性上可实现的语义安全级别的影响进行了说明，以显示可能的改进方向，以保证实际可接受的安全级别与PLS方法的工业室内太赫兹无线通信应用。
2021-07-19 cs.CR cs.IT eess.SP
High-Precision Machine-Learning Based Indoor Localization with Massive MIMO System
Lund University（隆德大学）
高精度蜂窝定位是下一代通信系统的关键技术之一。在本文中，我们研究了将机器学习（ML）应用于大规模多输入多输出（MIMO）系统以提高定位精度的潜力。我们分析了一个新的基于ML的定位管道，它有两个并行的全连接神经网络（FCNN）。第一FCNN采用瞬时空间协方差矩阵来捕获角度信息，而第二FCNN采用信道脉冲响应来捕获延迟信息。我们融合这两个FCNN的估计坐标，以进一步提高精度。为了测试定位算法，我们在3.7 GHz的大规模多输入多输出测试平台上进行了室内测量活动。在实测场景中，所提出的管道可以通过结合延迟和角度信息来实现厘米级的精度。
2023-03-07 cs.LG eess.SP
Optically-Transparent EM Skins for Outdoor-to-Indoor mm-Wave Wireless Communications
本文提出光学透明电磁皮肤，利用现有玻璃窗实现室外到室内毫米波通信，通过优化网状铜基超原子并数值验证非斯涅尔折射方向的高效传输可行性。
2024-05-05 cs.SY eess.SP eess.SY
Joint Indoor Localization and Navigation of UAVs for Network Formation Control
在本文中，我们提出了一种联合室内定位和导航算法，使一群无人机（UAV）部署在一个特定的空间形成在室内环境中。在设想的情况下，我们认为一个静态的用户作为一个中央单元，其主要任务是获取所有的无人机测量携带位置相关的信息，并估计无人机的位置时，没有现有的定位基础设施。随后，用户利用估计的位置作为导航控制的输入，目的是将UAV部署在空间中的期望编队（编队成形）中。用户可以实时规划每架无人机的轨迹，确保在存在障碍物的情况下安全航行。所提出的算法引导无人机以良好的精度到其期望的最终位置。
2019-10-28 cs.MA eess.SP
Personalized Federated Learning over non-IID Data for Indoor Localization
Northeastern University（东北大学）；Hanyang University（汉阳大学）
由于无线信道传播模型的物理特性的复杂性，使用数据驱动的方法定位和跟踪对象是一个热门话题。在这些建模方法中，需要收集数据以准确地训练模型，同时维护用户的隐私。联邦学习（FL）是一种以合作方式实现这些目标的有吸引力的方案。FL方案中的一个挑战是存在非独立和同分布（非IID）数据，这是由不同区域的不均匀探索造成的。在本文中，我们考虑使用最近FL计划训练一组个性化的模型，然后通过贝叶斯规则，这使得它适合在室内定位的背景下，最佳融合。
2021-07-21 cs.LG eess.SP
