Backscatter Assisted Indoor NLOS Positioning
Aalto University（阿尔托大学）
利用被动反向散射设备作为虚拟锚点，通过非相干功率域建模和走廊约束最大后验跟踪器，实现亚米级室内非视距连续定位。
2026-06-17 eess.SP
Improvement of Indoor Radio Coverage at 60 GHz in NLOS Configuration
在当前新技术的发展中，由于毫米波段无线通信的集成，通信世界正在经历显著的增长。在这种情况下，本文的目的是评估的贡献，使用金属反射板可以引入室内无线电覆盖在60 GHz的NLOS（走廊）配置。通过测量获得的结果表明，使用这样的面板可以导致高达12 dB的显著路径损耗降低，这提高了接收功率。
2021-12-16 cs.NI eess.SP
An NLoS-based Enhanced Sensing Method for MmWave Communication System
基于毫米波（mmWave）的Wi-Fi感测技术最近引起了广泛的关注，因为它提供了实现更高感测精度的可能性。然而，目前的工作主要集中在感知场景中的视线（LoS）路径存在，这显着限制了他们的应用。为了解决这个问题，我们提出了一种增强的毫米波传感算法在三维非视线环境（mm 3 NLoS），旨在感测目标的方向和距离时，LoS路径是弱或阻塞。具体地说，我们首先采用定向波束估计反射路径的方位/仰角到达角（AoA）和离开角（AoD），然后采用精细定时测量协议测量相关路径的距离。最后，将多条非视距路径的AoA和AoD转换为方向矢量，根据几何关系得到目标信息。仿真结果表明，mm 3 NLoS可以实现厘米级的误差与2 m的间距。与现有的工作相比，它可以显着减少NLoS条件下的性能下降。
2022-10-10 cs.IT eess.SP math.IT
Self-Calibrated Indoor Tracking from Backscatter Fiducials under NLOS Transmitter Illumination
Aalto University（阿尔托大学）
针对发射器-标记链路非视距的走廊场景，提出基于网格的惩罚似然跟踪器，联合估计接收路径、对数距离斜率和标记偏移，并利用代理校准路径进行残差校正，实现无需实测校准坐标的室内定位。
2026-06-17 eess.SP
Anomaly Detection Based on Generalized Gaussian Distribution approach for Ultra-Wideband (UWB) Indoor Positioning System
University of Huddersfield（哈德斯菲尔德大学）
随着物联网（IoT）的快速发展，室内定位系统（IPS）引起了学术界的极大兴趣。超宽带（UWB）是一种新兴技术，可用于IPS，因为它提供厘米级的精度。然而，UWB系统在实际应用中仍然面临着一些技术挑战，其中之一是非视距（NLoS）信号传播。几种机器学习方法已被应用于NLoS组件识别。然而，当数据包含非常少量的NLoS组件时，现有算法很难对它们进行分类。本文重点采用基于高斯分布（GD）和广义高斯分布（GGD）算法的异常检测方法来检测和识别NLoS组件。仿真结果表明，该方法能有效地识别出非视距信号，提高了非视距信号的分类精度，从而显著改善了UWB定位系统的性能。
2021-08-09 cs.AI eess.SP
WiFi-Inertial Indoor Pose Estimation for Micro Aerial Vehicles
Huazhong University of Science and Technology（华中科技大学）
提出了一种基于单WiFi接入点的微型飞行器室内位姿估计系统。传统的基于计算机视觉的方法受到光照条件和环境纹理的限制。我们的系统没有视觉限制，可立即部署，在现有的WiFi基础设施上工作，无需任何部署成本。我们的系统由两个耦合模块组成。首先，我们提出了一个到达角（AoA）估计算法来估计MAV的姿态和解开AoA定位。其次，我们制定了一个WiFi惯性传感器融合模型，融合的AoA和里程计测量的惯性传感器，以优化MAV的姿态。考虑到微型飞行器的实用性，我们的系统被设计成实时和初始化的自由在未知环境下敏捷飞行的需要。室内实验表明，在位置误差为$61.7$ cm，姿态误差为$0.92^\circ$的情况下，该系统达到了位姿估计的精度。
2020-03-16 cs.RO eess.SP
Feature-Based Generalized Gaussian Distribution Method for NLoS Detection in Ultra-Wideband (UWB) Indoor Positioning System
University of Huddersfield（哈德斯菲尔德大学）；Ghent University - imec（根特大学-imec微电子研究中心）
针对UWB室内定位中NLoS样本稀少导致的类别不平衡检测难题，提出基于特征的GD与GGD检测算法，在不平衡数据上达到98.0%精度并优于多种主流ML方法，且对不同信号比例具有鲁棒性。
2023-04-14 cs.LG eess.SP
JUNO: Jump-Start Reinforcement Learning-based Node Selection for UWB Indoor Localization
Concordia University（康考迪亚大学）；Defence Research and Development Canada（加拿大国防研究与发展中心）
超宽带（UWB）是使物联网（IoT）概念能够在室内环境中执行可靠、节能和高度准确的监测、筛选和定位的关键技术之一。然而，由于移动用户和UWB信标之间的非视距（NLoS）连接，基于UWB的定位系统的性能会显著降低。为了减轻NLoS连接的破坏性影响，我们的目标是开发一个强化学习（RL）锚点选择框架，该框架可以有效地应对室内环境的动态特性。然而，在这种情况下，现有的RL模型缺乏在新环境中使用的泛化能力。此外，它需要很长的时间为传统的RL模型，以达到最优的政策。为了应对这些挑战，我们提出了基于RL的跳跃节点选择（JUNO）框架，该框架可以在不依赖复杂的NLoS识别/缓解方法的情况下执行实时位置预测。建议的JUNO框架的有效性进行评估的定位误差，其中移动用户随机移动通过一个超密集的室内环境，建立NLoS连接的机会很高。仿真结果证实了所提出的框架相比，其国家的最先进的同行的有效性。
2022-05-06 cs.LG eess.SP
Intelligent Reflective Surface vs. Mobile Relay-supported NLoS Avoidance in Indoor mmWave Networks
第六代无线通信（6G）被设想为产生用于改善端到端通信性能的各种技术，其中通信被设想为利用毫米波（mmWave）频率和更高频率的无线信号。其中，这些技术包括智能反射表面（IRS）和移动中继（MR），其设想的作用包括减轻非视线（NLoS）连接的负面影响，特别是在毫米波和更高频率下。这些技术背后的核心思想是使用协作网络，其中源向中继器（在这种情况下为IRS或MR）发送信号，该信号在接收时被转发到目的地。当比较这两种技术时，重要的是要认识到IRS主要被设想为附着到环境中的各种对象（例如墙壁和家具）的静态实体。相比之下，MR将具有更高的自由度，因为它们将能够在环境中无缝定位。基于上述假设，我们推导出一种用于确定室内环境中IRS和MR的最佳位置的方法，即，最大化源和目的地之间的端到端链路质量的方法。接下来，我们捕获在室内毫米波通信中IRS和MR支持的NLoS避免的通信质量指标。我们的研究结果表明，从端到端的链路质量的角度来看，MR通常优于IRS，这表明其利用潜力的吞吐量优化的NLoS避免场景。
2022-07-14 cs.ET cs.NI eess.SP
Physics-Informed Domain-Invariant Feature Learning with Autoencoder-Driven Gaussian Clustering for Robust Non-line-of-Sight Scenarios
Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所IIS）
针对非视距下射频干扰波达角估计性能下降问题，提出融合物理约束的混合学习框架，结合自编码器高斯聚类提取域不变特征，提升低样本下跨场景AoA估计精度。
2026-07-07 cs.LG eess.SP stat.ML
Impact of Frequency on Diffraction-Aided Wireless Positioning
该研究针对室内公共安全场景下非视距环境定位不准的问题，提出分离衍射多径分量的方法，结合室外无人机发射机与室内接收机构建定位系统，经多频段评估验证了衍射辅助定位在下一代无线网络中的可行性。
2025-09-04 eess.SP
Enhancing NLoS RIS-Aided Localization with Optimization and Machine Learning
本文针对非视距室内定位问题，提出结合遗传算法与粒子群优化的机器学习方法，在3.5 GHz下实现亚厘米级甚至亚毫米级定位精度，显著提升RIS辅助移动定位性能。
2024-05-03 eess.SP
Precise WiFi Indoor Positioning using Deep Learning Algorithms
本文提出一种结合RSSI与AoA的WiFi室内混合定位方法，并利用三种深度学习算法抑制噪声干扰，其中CNN训练模型在大教室中平均误差小于250毫米。
2023-07-05 eess.SP
An Indoor Environment Sensing and Localization System via mmWave Phased Array
介绍了一种60 GHz毫米波（mmWave）频段的室内布局传感定位系统mmReality。mmReality系统由一个发射机和一个移动接收机组成，每个发射机和接收机都有一个相控阵和一个射频（RF）链。为了重建房间布局，导频信号经由不同的发射波束和接收波束对从发射机传送到接收机，使得可以解析所有天线元件处的信号。然后，应用空间平滑和二维多信号分类（MUSIC）算法来检测从发射机到接收机的射线的到达角（AoAs）和离开角（AoD）。此外，还采用多载波测距技术测量各传播路径的距离，综合上述几何参数，可以精确定位接收机相对于发射机的位置，并可以确定视距（LoS）和非视距（NLoS）路径。因此，可以通过移动接收器并在房间的不同位置重复上述测量来重建房间布局。最后，我们表明，重建的房间布局可以用来定位一个移动终端根据其AoA频谱，甚至与单一的接入点。
2023-01-09 eess.SP
Neural-Network-based NLOS Identification in Angular Domain at 60-GHz
本文提出一种基于信道功率角谱和人工神经网络的60 GHz毫米波LOS/NLOS识别方法，利用五种信道指标结合最大似然比进行判断，仿真和实测均取得低错误率，可用于室内定位。
2024-02-25 eess.SP
Transforming Indoor Localization: Advanced Transformer Architecture for NLOS Dominated Wireless Environments with Distributed Sensors
Department of Electrical and Computer Engineering, North Carolina State University（北卡罗来纳州立大学电气与计算机工程系）；Ericsson Research（爱立信研究）
本文提出SST分词和L-SwiGLU-T模型，用于提升NLOS环境下室内定位的精度与效率，减少计算复杂度和对大数据集的依赖。
2025-12-26 cs.AI cs.LG eess.SP
Statistical LOS/NLOS Classification for UWB Channels
针对UWB多径导致的定位误差，本文利用CIR统计特征及其联合PDF，并结合似然比与假设检验实现LOS/NLOS信道分类。
2023-08-15 eess.SP
Majorization-Minimization based Hybrid Localization Method for High Precision Localization in Wireless Sensor Networks
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
Database Assisted Nonlinear Least Squares Algorithm for Visible Light Positioning in NLOS Environments
提出了一种考虑非视距传播影响的可见光系统室内定位算法。所提出的算法，命名为数据库辅助非线性最小二乘（DA-NLS），利用从经典的NLS算法和指纹算法的思想，以实现准确和鲁棒的定位性能在NLOS环境中。特别地，使用数据库来学习NLOS效应，然后采用NLS算法来估计位置。该算法的性能与指纹和NLS算法进行了比较。
2021-05-09 cs.IT eess.SP math.IT
Probabilistic 5G Indoor Positioning Proof of Concept with Outlier Rejection
无线网络中不断增加的带宽和天线孔径为开发依赖于通信标准和硬件的有竞争力的定位解决方案奠定了基础。然而，不良的传播条件，如非视线（NLOS）和丰富的多径仍然提出了许多挑战，由于离群测量，显着降低定位性能。在这项工作中，我们介绍了一种迭代定位方法，重新加权的到达时间（ToA）和到达角（AoA）测量起源于多个定位器，以有效地去除离群值。与通常依赖于单个定位器来设置用于对应于剩余定位器的到达时间差（TDoA）测量的时间参考并且其测量可能不可靠的现有方法相比，所提出的迭代方法不仅仅依赖于参考定位器。然后，使用所得到的鲁棒位置估计来初始化计算上有效的梯度搜索以执行最大似然位置估计。我们的建议在室内工厂场景中使用3.75 GHz的5G数字方案进行了实验设置验证，在95%的测量中实现了小于50 cm的误差。据我们所知，本文描述了基于5G的联合ToA和AoA定位的第一个概念证明。
2022-07-18 eess.SP
DQLEL: Deep Q-Learning for Energy-Optimized LoS/NLoS UWB Node Selection
Concordia University（康考迪亚大学）；Defence Research and Development Canada（加拿大国防研究与发展中心）；University of Toronto（多伦多大学）
物联网（IoT）的最新进展已经带来了对室内定位的兴趣激增，其目的是提供可靠、准确和节能的室内导航/定位系统。超宽带（UWB）技术已经成为满足上述要求的潜在候选者。虽然UWB技术可以提高室内定位的准确性，由于使用宽频谱，有其有效的实施面临的关键挑战。一方面，实现高精度定位依赖于识别/缓解非视线（NLoS）链路，导致定位框架的复杂性显著增加。另一方面，UWB信标具有有限的电池寿命，这在某些信标位于战略位置的实际情况下尤其成问题。为了解决这些挑战，我们引入了一个有效的节点选择框架，以提高定位精度，而不使用复杂的NLoS缓解方法，同时保持UWB信标的剩余电池寿命之间的平衡。被称为深度Q学习能量优化的LoS/NLoS（DQLEL）UWB节点选择框架，移动用户被自主训练以基于2-D到达时间差（TDoA）框架确定要定位的UWB信标的最佳集合。建议的DQLEL框架的有效性进行评估的链路条件，UWB信标的剩余电池寿命的偏差，定位误差，和累积奖励。基于模拟结果，建议的DQLEL框架显着优于其同行在上述方面。
2021-10-25 cs.LG cs.NI eess.SP
Hybrid Indoor Localization via Reinforcement Learning-based Information Fusion
Concordia Institute of Information Systems Engineering (CIISE)（康考迪亚信息系统工程研究院）
本文的动机是智慧城市（SC）概念对未来全球城市化管理的重要性。在所有基于物联网（IoT）的通信技术中，低功耗蓝牙（BLE）在城市决策和服务中发挥着至关重要的作用。然而，接收信号强度指示符（RSSI）的极端波动阻止了该技术在用于不断变化的SC环境的动态室内跟踪/定位方法中成为具有可接受精度的可靠解决方案。BLE v.5.1的最新版本通过利用基于到达角（AoA）的方向发现方法引入了更好的跟踪用户的可能性，这是更可靠的。仍有一些基本问题有待解决。现有的工作主要集中在实现独立的模型忽略潜在的融合策略。针对这一不足，提出了一种基于强化学习（RL）的信息融合框架（RL-IFF），将AoA与基于RSSI的粒子滤波和基于惯性测量单元（IMU）的行人航位推算（PDR）框架相结合。建议RL-IFF解决方案进行评估，通过一系列实验说明优越的性能相比，其同行。
2022-10-27 cs.AI eess.SP
Upper Mid-Band Channel Measurements and Characterization at 6.75 GHz FR1(C) and 16.95 GHz FR3 in an Indoor Factory Scenario
本文通过室内工厂实测，表征了6.75 GHz和16.95 GHz频段的信道特性，发现路径损耗指数低于2、时延和角度扩展随频率变化，为FR3工业无线网络设计提供关键依据。
2025-03-28 eess.SP
DeepAoANet: Learning Angle of Arrival from Software Defined Radios with Deep Neural Networks
University of Oxford（牛津大学）
基于RF信号的测向和定位系统受到多径传播的显著影响，特别是在室内环境中。现有的算法（例如MUSIC）在多径存在下或在弱信号状态下操作时在分辨到达角（AoA）方面表现不佳。我们注意到，数字采样RF前端允许轻松分析信号及其延迟分量。低成本的软件定义无线电（SDR）模块能够在宽频谱范围内提取信道状态信息（CSI），从而推动了增强型到达角（AoA）解决方案的设计。我们提出了一种深度学习方法，从SDR多通道数据的单个快照中获得AoA。我们比较和对比基于深度学习的角度分类和回归模型，以准确估计多达两个AoA。我们已经在不同的平台上实现了推理引擎，以实时提取AoA，证明了我们的方法的计算易处理性。为了证明我们的方法的实用性，我们已经从四元件通用线性阵列（Universal Linear Array，简称UART）中收集了各种视距（LOS）和非视距（NLOS）环境中的IQ（同相和正交分量）样本，并发布了数据集。我们所提出的方法在确定碰撞信号的数量方面表现出良好的可靠性，并且实现了小于$2^{\circ}$的平均绝对AoA误差。
2021-12-09 cs.LG cs.RO eess.SP
Power-Efficient Indoor Localization Using Adaptive Channel-aware Ultra-wideband DL-TDOA
Samsung Electronics（三星电子）
提出一种低功耗信道感知动态频率DL-TDOA测距算法，结合CNN预测、动态频率控制和IMU滤波，在NLOS条件下精度提升50%，LOS条件下功耗降低46%。
2024-02-16 cs.AI eess.SP
Fusion of Time and Angle Measurements for Digital-Twin-Aided Probabilistic 3D Positioning
本文将数字孪生辅助的室内非视距定位从2D推广到3D，并提出融合到达角与传播时间（含到达时间差）测量的高效算法，通过仿真验证了方法优势。
2024-10-20 eess.SP
Propagation measurements and channel models in Indoor Environment at 6.75 GHz FR1(C) and 16.95 GHz FR3 Upper-mid band Spectrum for 5G and 6G
本文在6.75 GHz FR1(C)和16.95 GHz FR3频段开展全球首个室内热点传播测量，分析路径损耗、时延扩展和角度扩展，为5G/6G中频段信道建模提供关键数据。
2024-05-06 eess.SP
Measurement Selection Strategies for Position Estimation in Indoor Environments
Ericsson R&D, India（爱立信研发印度）
本文针对密集室内环境中非视线传播引起的延迟问题，提出测量选择策略以提高定位精度，通过射线追踪模拟器设计并评估了不同策略。
2026-05-19 cs.ET cs.NA eess.SP
On Deep Learning-based Massive MIMO Indoor User Localization
我们研究了深度神经网络用于多输入多输出（MIMO）用户定位的可用性，该定位仅基于正交频分复用（OFDM）复信道系数。与其他室内定位系统（IPS）相比，所提出的方法不需要任何额外的导频开销或通信系统本身的任何其他变化，因为它被部署在现有的OFDM MIMO系统之上。在实际测量的支持下，我们主要对更具挑战性的非视距（NLoS）场景感兴趣。然而，已知梯度下降优化需要大量数据点用于训练，即，与传统方法相比，所需的数据库将太大。因此，我们提出了一个两步训练过程，在第一步中对模拟视线（LoS）数据进行训练，在第二步中对测量的NLoS位置进行微调。这减少了所需的测量训练位置，从而减少了数据采集的工作量。
2018-04-13 cs.IT eess.SP math.IT
Reliable Non-Line-of-Sight Intrusion Detection with Integrated Sensing and Communications Hardware
Nokia Bell Labs Stuttgart（诺基亚贝尔实验室斯图加特）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）；University of Stuttgart, Germany（斯图加特大学）
本文提出基于毫米波ISAC原型的可靠非视线入侵检测系统，通过利用大表面反射解决室内复杂场景中移动目标检测问题，实验验证了系统在非视线环境下的可靠性和抗干扰能力。
2026-04-30 eess.SP
Evaluation of Sparse Acoustic Array Geometries for Indoor Localization
本研究针对室内定位需求，搭建基于64元8×8均匀矩形传声器阵列的测量平台，通过掩蔽模拟稀疏构型，评估四种阵列几何结构，确定Open-Box与Nested阵列为稳健方案，并验证了阵列同时估计三个发射源方向的能力。
2024-12-11 eess.SP
Visible Light Indoor Positioning with a Single LED and Distributed Single-Element OIRS: An Iterative Approach with Adaptive Beam Steering
Politecnico di Bari（巴里理工大学）；Consorzio Nazionale Interuniversitario per le Telecomunicazioni (CNIT)（意大利大学电信联合联盟）；National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”（乌克兰国立技术大学“伊戈尔·西科尔斯基基辅理工学院”）；University of Luxembourg（卢森堡大学）
本文提出了一种基于迭代方法和自适应波束成形的可见光室内定位方案，利用单个LED和分布式OIRSs实现高精度和鲁棒性的定位能力。
2025-12-16 cs.IT eess.SP math.IT
KD-EKF: Knowledge-Distilled Adaptive Covariance EKF for Robust UWB/PDR Indoor Localization
School of Electrical Engineering, Korea University（韩国大学电气工程学院）
本文提出KD-EKF框架，通过学习历史UWB/PDR轨迹可靠性提示，自适应调节EKF测量协方差，提升室内外定位的鲁棒性和泛化能力。
2026-03-06 cs.AI cs.LG eess.SP
Precise Ranging: Modeling Bias and Variance of Double-Sided Two-Way Ranging with TDoA Extraction under Multipath and NLOS Effects
本文针对多径与非视距效应下的DS-TWR和DS-TDoA测距方法，解析推导其偏差与方差模型，并通过UWB实验验证了模型能实现厘米级预测精度，发现双边方法优于基于CFO的单边方法。
2024-10-22 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
Bayesian-Boosted MetaLoc: Efficient Training and Guaranteed Generalization for Indoor Localization
针对CSI定位跨环境泛化难且训练数据有限的问题，提出贝叶斯元学习框架BOML-Loc，实现高效训练、降低过拟合并提供不确定性估计，在LOS/NLOS场景中优于现有模型。
2023-09-03 eess.SP
Optimal Anchor Placement for Wireless Localization in Mixed LOS and NLOS Scenarios
Virginia Tech（弗吉尼亚理工大学）
本文提出统一的信息框架，解决混合直射和非直射环境下的定位问题，通过分析单目标和多目标锚点布置，推导出最优布置条件并提出两种实用算法。
2026-08-06 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
Attention-Based Fusion of IQ and FFT Spectrograms with AoA Features for GNSS Jammer Localization
1 Fraunhofer Institute for Integrated Circuits IIS, 90411 Nürnberg, Germany；2 Diehl Defence GmbH \& Co. KG, 90552 Röthenbach an der Pegnitz, Germany
针对GNSS干扰源定位中传统AoA方法在多径环境下精度低、计算量大的问题，提出融合IQ采样、FFT频谱图与22个AoA特征的注意力融合框架，经128种模型基准测试和新数据集验证，性能优于现有最优方法。
2025-07-22 cs.IR cs.LG eess.SP
Localization Accuracy Improvement in Multistatic ISAC with LoS/NLoS Condition using 5G NR Signals
针对多基地ISAC在LoS/NLoS条件下的定位精度问题，提出利用5G NR的PRS信号并设计新算法抑制异常值，相比LS和IRLS分别提升平均误差28%和20%。
2025-01-24 eess.SP
Pathloss-based non-Line-of-Sight Identification in an Indoor Environment: An Experimental Study
本文针对室内LOS/NLOS分类问题，基于USRP采集的路径损耗数据集，对比了最小二乘法参数化的二元假设检验与四种机器学习算法，发现机器学习算法准确率仅略优于Neyman-Pearson检验。
2023-07-29 cs.IT eess.SP math.IT
Novel Fine-Tuned Attribute Weighted Naïve Bayes NLoS Classifier for UWB Positioning
University of Huddersfield（哈德斯菲尔德大学）；University of Oklahoma（俄克拉荷马大学）
针对室内UWB定位的LoS/NLoS识别问题，提出为特征加权并微调概率的FT-WNB分类器，在平衡与不平衡数据上分别达到99.8%和99.7%的NLoS准确率。
2023-04-14 cs.LG eess.SP
DeepLocNet: Deep Observation Classification and Ranging Bias Regression for Radio Positioning Systems
Robotics Institute, University of Michigan（密歇根大学机器人研究所）
WiFi技术已广泛用于细粒度室内定位、手势识别和自适应通信。在这些任务中实现更好的性能通常归结为可靠地区分视线（LOS）与非视线（NLOS）信号传播，由于室内环境的复杂性质，这通常需要昂贵的/专用的硬件。因此，利用可用基础设施的低成本精确定位系统的开发没有完全解决。在本文中，我们开发了一个框架，用于无处不在的移动设备，如智能手机，使用车载传感器的室内定位和跟踪。提出了一种新的基于接收信号强度指示（RSSI）的LOS/NLOS深度分类器，对输入信号的分类精度可达85%.该算法可以全局定位和跟踪智能手机（或机器人）与先验未知的位置，并与WiFi接入点（AP）的半准确的先验地图（误差在0.8米以内）。通过同时求解轨迹和接入点的地图，我们恢复了设备的轨迹和接入点的校正位置。该框架的实验评估表明，通过使用训练好的深度网络，定位精度得到了提高;此外，该系统对AP地图中的任何错误都具有鲁棒性。
2020-02-02 cs.RO eess.SP
RIS-aided Positioning Experiments based on mmWave Indoor Channel Measurements
本文通过毫米波室内信道测量实验，首次验证了RIS辅助单基站定位在视距和非视距场景下利用反射路径提升定位性能的可行性。
2023-06-18 eess.SP
Scatterer Localization Using Multi-Bounce Paths
本文针对近场效应下的室内多径传播问题，提出基于图论的GM-SAGE算法，将多径参数转化为图中散射体坐标，并通过射线追踪验证了其处理多径信道的有效性。
2025-09-16 eess.SP
DuTrack: Long-Term Indoor Human Tracking with Dual-Channel Sensing and Inference
North Carolina State University（北卡罗来纳州立大学）
DuTrack通过融合双通道感知与推断技术，实现长时室内人体跟踪，显著降低跟踪误差。
2026-01-16 eess.SP
Detection of sUAS in Urban Environments using Multi-Antenna Micro-Doppler Radar
University of Moratuwa（莫拉图瓦大学）；Florida International University（佛罗里达国际大学）；Arcane AI and Wireless LLC
研究城市环境中sUAS检测难题，提出基于连续波多输入多输出雷达和深度学习模型的方法，利用旋翼叶片微多普勒特征的谱相关密度作输入，实验证实在无直接视距条件下检测准确率达86.11% ，可行且有效。
2026-07-14 eess.SP
Probabilistic Positioning Via Ray Tracing With Noisy Angle of Arrival Measurements
针对非视距场景，提出基于噪声到达角测量与射线追踪的定位方法，通过拟合高斯混合模型并融合多基站概率，实现低复杂度且鲁棒的UE定位。
2024-08-20 cs.IT eess.SP math.IT
Characterization of Spatial-Temporal Channel Statistics from Measurement Data at D Band
针对6G对大带宽容量需求，基于142GHz实测数据，推导适用于室外/室内视距/非视距场景的广义毫米波信道冲激响应，通过几何随机信道建模（GBSM）构建模型并以最大额外延迟验证其性能。
2024-11-08 cs.IT eess.SP math.IT
Universal Path Gain Laws for Common Wireless Communication Environments
简单而准确的表达式的路径增益来自各种常见环境中的电磁基本原理，包括视线（LOS）和非视线（NLOS）的室内城市峡谷，城市/农村宏观，室外室内和郊区街道与植被。渗透到散射区域，有时通过引导辅助，是不同形态所共有的“普遍”现象。广泛测量的均方根（RMS）误差低于5 dB，比3GPP模型好1-12 dB RMS，具体取决于环境。在城市峡谷中，模型的RMS误差为4.7 dB，而线性拟合数据的RMS误差为7.9 dB，LOS/NLOS 3GPP模型的RMS误差为13.9/17.2 dB。理论路径增益取决于距离，其为幂律，指数来自小集合{1.5，2，2.5，4}，特定于每个形态。这为广泛使用的幂律经验模型提供了理论依据。只需要粗略的环境数据作为参数：街道宽度，建筑物高度，植被深度，墙壁材料和天线高度。
2022-01-25 cs.IT eess.SP math.IT
Bluetooth Low Energy Dataset Using In-Phase and Quadrature Samples for Indoor Localization
本文构建并验证了一个基于BLE同相和正交样本的室内定位数据集，结合TI PDoA验证AoA真值标签，并用高斯过程回归实现距离估计。
2024-12-02 cs.LG eess.SP
SABER: Symbolic Regression-based Angle of Arrival and Beam Pattern Estimator
Queen’s University Belfast（贝尔法斯特女王大学）；Xi’an Jiaotong University（西安交通大学）；Asia Eastern University of Science and Technology（亚东科技大学）
SABER通过符号回归方法实现高精度且可解释的角度到达和波束模式估计，适用于无线通信中的波束成形和定位。
2025-10-30 cs.LG eess.SP
Orientation-Aware Deep Learning Framework for RSSI-Based Indoor Localization in RIS-Aided mmWave Systems
Iowa State University of Science and Technology（爱荷华州立大学）；King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
针对RIS辅助mmWave系统中设备方向变化影响RSSI室内定位的问题，提出O-DSG深度学习框架，结合方向分类与双流结构，在28 GHz NLoS场景下实现0.141 m中位定位误差，性能优于基准模型。
2026-10-16 cs.NI eess.SP
GLocFM: A Geometry-Aware Foundation Model for 3D Indoor Wireless Localization
Hong Kong University of Science and Technology（香港科技大学）
该研究针对现有学习式无线定位器无法利用环境几何信息的问题，提出GLocFM模型，联合利用WiFi测量与三维点云场景几何，在两类数据集上较基线降低近50%定位误差，鲁棒性与有效性经消融实验验证。
2026-08-11 cs.AI eess.SP
