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
Wireless Indoor Simultaneous Localization and Mapping Using Reconfigurable Intelligent Surface
室内无线同时定位与地图构建（SLAM）被认为是未来6G系统中提供定位服务的有前途的技术。然而，传统的无线SLAM系统的准确性严重依赖于传播路径的质量，这是由不可控的无线环境的限制。在本文中，我们提出了一种新的SLAM系统辅助的可重构智能表面（RIS）来解决这个问题。通过配置RIS的相移，可以增强接收信号的强度以抵抗噪声的干扰。然而，相移的选择严重影响定位和映射阶段，这使得设计非常具有挑战性。为了解决这一问题，本文提出了RIS辅助室内SLAM系统的优化问题，并设计了一种误差最小化算法，仿真结果表明，与基准方案相比，RIS辅助室内SLAM系统的定位误差至少降低了31%。
2021-07-04 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
Fusion of time of arrival and time difference of arrival for ultra-wideband indoor localization
提出了一种基于到达时间差的Decawave超宽带收发机无线时钟同步方法。所提出的技术结合了到达时间和到达时间差测量，而不会失去每种方法的优点。Decawave设备测量距离的精度和准确度取决于三个因素：信号功率、时钟漂移和硬件延迟的不确定性。本文展示了如何用这两种测量技术来补偿这三种影响。
2019-03-03 eess.SP
Efficient Deep Learning Adaptation for Cross-Environment RSS-Based Indoor Localization
Wharton Research Data Services, University of Pennsylvania（宾夕法尼亚大学沃顿研究数据服务）；Department of Electronic, Electrical and Systems Engineering, University of Birmingham（伯明翰大学电子、电气与系统工程系）
本文提出一种基于主干复用和高效适配的场景自适应RSS定位框架，通过轻量提取器统一异构输入并微调主干，实现跨环境快速收敛，减少训练时间。
2026-09-09 eess.SP
Indoor Localization System of ROS mobile robot based on Visible Light Communication
提出了一种基于机器人操作系统（ROS）和可见光通信（VLC）的室内机器人定位系统。本文在前人工作的基础上，创新性地设计了一个基于机器人操作系统（ROS）的VLC定位导航软件包，该软件包包含了LED-ID检测与识别方法、视频目标跟踪算法和双灯定位算法。该软件包利用了双灯定位的原理和ROS系统的松耦合特性，通过松耦合的ROS节点实现。因此，本文将ROS与VLC相结合，旨在推动VLC定位在成熟机器人系统中的应用。同时，也推动了基于VLC技术的定位应用的发展，为向其他ROS机器人平台的移植奠定了基础。实验结果表明，该系统能够提供1cm以内的室内定位，具有良好的实时性，一次定位时间仅需0.4s。如果使用高性能笔记本电脑，单次定位时间可以减少到0.08秒。因此，本研究证实了VLC技术在ROS机器人中的实际应用和优越性能，显示了VLC国产化的巨大潜力。建议的基于VLC的机器人定位系统的视频演示可以在 * 中看到
2020-01-07 eess.SP
Neural Network-Based Ranging with LTE Channel Impulse Response for Localization in Indoor Environments
提出了一种基于神经网络的蜂窝长期演进（LTE）信号室内定位方法。该方法根据信道脉冲响应（CIR）来估计LTE eNodeB与接收机之间的距离。软件定义无线电（SDR）提取CIR，将其馈送到长短期记忆模型（LSTM）递归神经网络（RNN）以估计范围。实验结果比较所提出的方法与基线RNN没有LSTM。结果示出了接收器在室内环境中导航100 m，同时从一个LTE eNodeB接收信号。沿接收器轨迹的测距根均方误差（RMSE）和测距最大误差分别从基线RNN中的13.11 m和55.68 m减小到所提出的RNN-LSTM中的9.02 m和27.40 m。
2020-09-24 eess.SP
Novel Visible Light Communication Assisted Perspective-Four-Line Algorithm for Indoor Localization
本文提出了一种新的可见光通信（VLC）辅助的透视四线算法（V-P4 L），用于实际的室内定位。V-P4 L的基本思想是将VLC和计算机视觉结合起来，以实现高精度，而不管LED的高度差异。特别地，我们首先利用空间域信息来估计基于平面和立体几何的相机坐标系中的单个矩形LED灯具的取向和坐标。然后，基于VLC传输的时域信息和估计的灯具信息，V-P4 L可以通过单视图几何理论和线性最小二乘（LLS）方法估计相机的位置和姿态。为了进一步降低LED高度差异对定位精度的影响，提出了一种基于LLS方法和简单优化方法的V-P4 L校正算法。由于结合了时间和空间域信息，V-P4 L只需要一个单一的灯具进行定位，而不限制特征和它们的投影之间的对应关系。仿真结果表明，V-P4 L在使用常用室内灯具时，定位误差始终小于15 cm，定向误差始终小于3°。
2020-09-25 eess.SP
STAR-RIS-Enabled Simultaneous Indoor and Outdoor 3D Localization: Theoretical Analysis and Algorithmic Design
最近的研究和开发兴趣涉及用于无线系统的超表面，而不仅仅是考虑作为智能可调反射器。在最新的提议中，有一个是同时传输（也就是说，折射）和反射可重构智能表面（STAR-RIS），由于其附加的折射能力，STAR-RIS旨在实现双向室内到室外通信，反之亦然。这种双重功能在同时满足位于元表面两侧的用户的服务质量要求（例如，可实现的数据速率和定位精度）方面提供了增加的灵活性。在本文中，我们专注于STAR-RIS授权的同时室内和室外三维（3D）定位，并通过Fisher信息分析和Cramér Rao下界（CRLB）研究的基本性能限制。我们还设计了一个有效的定位算法的基础上离网压缩感知（CS）技术依赖于原子范数最小化（ANM）。训练开销的影响，在STAR-RIS的功率分配，用户之间的功率分配，STAR-RIS的大小，STAR-RIS到BS信道的缺陷，以及多径分量的作用上的定位性能进行评估，通过广泛的计算机模拟。理论上表明，高精度，高达厘米级，3D定位可以同时实现室内和室外用户，这也是通过所提出的基于ANM的估计算法来实现的。
2023-02-07 eess.SP
A Deep Learning Approach in RIS-based Indoor Localization
本文针对非视距室内定位提出LSTM网络和LSTM-PSO混合方法，在含多径效应的场景中实现厘米级最坏情况精度，并在多种场景下达到亚毫米级分辨率。
2024-05-03 eess.SP
Enhancing Feature Extraction for Indoor Fingerprint Localization Using Diversified Data
针对传统指纹特征在复杂室内环境中可靠性低的问题，提出基于多样化CSI的特征提取增强定位方案Secci，将CSI转换为RGB图像输入由SE注意力机制辅助训练的DCNN，实验证明其优于四种现有算法。
2023-06-30 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
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
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
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
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
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
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
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
Semi-Sequential Probabilistic Model For Indoor Localization Enhancement
Georgia Institute of Technology（佐治亚理工学院）；Twentieth Century Fox（二十世纪福克斯公司）；Starfleet Academy（星际舰队学院）
本文提出了一种半序贯概率模型（SSP），它应用了一个额外的短期记忆，以提高性能的概率室内定位。传统的概率方法通常不加区别地对待数据库中的位置。相比之下，SSP利用先前位置的信息来确定可能的位置，因为用户在室内环境中的速度是有界的，并且靠近先前位置的位置比其他位置具有更高的概率。虽然SSP利用先前的位置信息，但它不需要用户的精确移动速度和方向。利用接收信号强度指示符（RSSI）和信道状态信息（CSI）指纹进行定位的现场实验表明，SSP降低了最大误差，并将现有概率方法的性能提高了25% -30%。
2020-01-08 cs.LG eess.SP
Simple and Effective Augmentation Methods for CSI Based Indoor Localization
University of Southern California（南加州大学）；Korea University（高丽大学）
本文提出两种简单有效的数据增强算法用于基于CSI的室内定位，仅需10%原始数据即可达到相同性能，并使测试精度提升三倍以上。
2023-05-16 cs.LG eess.SP
LEO Satellite and RIS: Two Keys to Seamless Indoor and Outdoor Localization
针对传统GNSS室内定位不足、现有室内技术成本高覆盖有限的问题，本文提出融合LEO卫星与RIS的方案，通过特性综述、位置误差界评估案例研究及系统架构讨论，挖掘其实现全球覆盖无缝室内外定位的潜力。
2025-02-13 cs.SY eess.SP eess.SY
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
DynamicSLAM: Leveraging Human Anchors for Ubiquitous Low-Overhead Indoor Localization
我们提出DynamicSLAM：一种室内定位技术，消除了令人生畏的校准步骤的需要。DynamicSLAM是一种新颖的同时定位与地图构建（SLAM）框架，其迭代地获取环境的特征地图，同时相对于该地图定位用户。具体来说，我们使用手机惯性传感器来跟踪用户的路径。为了补偿由于低成本惯性传感器造成的误差积累，DynamicSLAM利用环境中的独特点（锚点）作为观测值来减少估计的位置误差。DynamicSLAM引入了移动人类锚点的新概念，该概念基于与环境中其他用户的相遇，显着增加了锚点的数量和普遍性，并提高了定位精度。我们提出了不同的遭遇模型，并展示了它们如何被纳入一个统一的概率框架，以减少用户位置的模糊性。此外，我们提出了一个理论证明系统的收敛性和人类锚的能力，以重置累积的错误。使用不同Android手机对DynamicSLAM进行的评估表明，它可以提供中位数为1.1米的定位精度。这种准确性比最先进的技术高出55%，突出了DynamicSLAM对无处不在的室内定位的承诺。
2020-03-30 cs.CY eess.SP
Transfer Learning for VLC-based indoor Localization: Addressing Environmental Variability
Institut Supérieur d’Electronique de Paris (ISEP)（巴黎电子高等学院）；Sorbonne University（索邦大学）；University Paris-Saclay（巴黎-萨克雷大学）；LISV, France（法国LISV实验室）；Robert Bosch GmbH（罗伯特·博世集团）
针对基于可见光通信（VLC）的室内定位受环境波动影响的问题，提出集成DNN的迁移学习框架，在博世工厂真实数据上实现精度、能效、算力的显著提升，仅需少量数据即可适配多变环境，适配工业4.0需求。
2025-07-02 cs.LG eess.SP
