Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach
TU Berlin(柏林工业大学);Technion - Israel Institute of Technology(以色列理工学院);LMU Munich(慕尼黑大学);University of Tromsø(特罗姆瑟大学)
针对城市环境中卫星定位精度差的问题,提出端到端卷积神经网络LocUNet,利用基站路径损耗无线电地图估计和少量基站RSS测量值实现高精度实时室外定位,无需区域RSS指纹,并发布两个城市环境数据集,数值实验证明其优于现有RSS和ToA方法。
2023-04-09 cs.LG cs.NI eess.SP
Low-Complexity RSS-based Underwater Localization with Unknown Transmit Power
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Indian Institute of Technology Roorkee(印度理工学院卢克瑙分校)
本文提出了一种低复杂度的基于接收信号强度的水下定位方法,能够同时估计目标节点的位置和未知发射功率,提高了定位精度并降低了计算复杂性。
2026-01-18 eess.SP
A Simple and Efficient RSS-AOA Based Localization with Heterogeneous Anchor Nodes
针对现有RSS-AOA混合定位方法假设锚节点噪声分布相同不符合真实场景的问题,提出一种两阶段LWLS闭式估计的异构锚节点定位方法,推导了对应CRLB,仿真验证其定位精度与可靠性更优。
2023-07-22 eess.SP
Dataset of Pathloss and ToA Radio Maps With Localization Application
Technical University of Berlin(柏林工业大学);Technion – Israel Institute of Technology(以色列理工学院);Ludwig Maximilian University of Munich(慕尼黑大学);University of Tromsø(特罗姆瑟大学);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心)
本文公开了一组密集城市场景下的路径损耗/RSS与ToA无线地图数据集,可用于深度学习路径损耗预测与无线定位研究,能支撑两类定位方法的公平对比。
2024-09-16 cs.LG cs.NI eess.SP
XJTLUIndoorLoc: A New Fingerprinting Database for Indoor Localization and Trajectory Estimation Based on Wi-Fi RSS and Geomagnetic Field
Xi’an Jiaotong-Liverpool University(西交利物浦大学)
在本文中,我们提出了一个新的位置指纹数据库,包括Wi-Fi接收信号强度(RSS)和地磁场强度测量与多个设备在西安佳通利物浦大学,苏州,中国的多层建筑。我们还提供了基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的定位和轨迹估计的初步结果。对于本地化,我们将参考点的RSS数据映射到类似图像的二维数组,然后应用CNN,这是在图像和视频分析和识别中流行的。对于轨迹估计,我们使用修改后的随机路径点模型来高效地生成模仿人类行走的连续脚步轨迹,并使用生成的数据训练堆叠的两层LSTM网络,以记住地磁场强度相对于(x,y)坐标的变化模式。实验结果表明,我们的新数据库的有用性和可行性的CNN和基于LSTM的定位和轨迹估计与数据库。
2018-10-17 cs.LG eess.SP stat.ML
BARProp: Fast-Converging and Memory-Efficient RSS-Based Localization Algorithm for IoT
Ruhr-Universität Bochum(波鸿鲁尔大学);Chosun University(朝鲜大学)
针对低成本物联网接入点的 RSS 室内定位需求,本文提出 BARProp 算法,利用缓冲梯度能量动态调节衰减因子,在显著降低内存占用的同时提升精度并将收敛速度提高至少四倍。
2025-09-29 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
RSS-based Cooperative Localization and Orientation Estimation Exploiting Directive Antenna Patterns
在本文中,我们提出了一种基于因子图的合作定位算法,使用RSS无线电测量和帐户的天线的方向性。这是通过用参数天线图案对方向性进行建模并联合估计代理的位置和方向来实现的。我们提出了两种不同的方法,而第一个使用连续表示的取向状态和第二个离散表示。我们验证了我们提出的方法与模拟和测量在一个静态的传感器网络与900多个代理在室内环境中,并表明,定位精度可以显着提高考虑方向的影响。
2021-03-24 eess.SP
Performance Comparison of Numerical Optimization Algorithms for RSS-TOA-Based Target Localization
本研究比较了网格搜索、梯度下降和粒子群优化三种数值方法在求解基于RSS-TOA的最大似然定位估计器中的表现。结果表明,网格搜索定位均方根误差最低但计算时间极大且第95百分位误差较高,梯度下降计算时间最短。
2023-04-24 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
Accurate RSS-Based Localization Using an Opposition-Based Learning Simulated Annealing Algorithm
针对无线传感器网络中基于最大似然的RSS定位算法存在的收敛慢、易陷局部最优等问题,提出结合反向学习与模拟退火的双初始解优化定位算法,仿真验证其定位精度优于现有算法。
2023-07-22 eess.SP
Enhanced RSS-based UAV Localization via Trajectory and Multi-base Stations
为提高无人机(UAV)定位精度,提出了一种联合利用多个基站(BS)和轨迹上多个点的接收信号强度(RSS)测量值进行定位的新方法。首先,联合最大似然(ML)利用轨迹信息和多BS的建议。为了降低其高复杂度,设计了两种低复杂度的定位方法。第一种方法是从BS到轨迹(BST),称为LCSL-BST。首先,固定第n个基站,利用沿航迹的多个测量值,利用最大似然准则计算无人机的位置。最后,将针对不同BS计算的UAV的所有位置组合以形成结果位置。第二种方法颠倒了顺序,称为LCSL-TBS。我们还推导出联合ML方法的Cramer-Rao下界(CRLB)。从仿真结果中,我们可以看到,所提出的联合ML和单独的LCSL-BST方法在定位性能方面比传统的ML方法有了显着的改善,而无需使用轨迹知识。前者实现了联合CRLB,后者具有低复杂度。
2020-11-03 eess.SP
Scalable Wi-Fi RSS-Based Indoor Localization via Automatic Vision-Assisted Calibration
本文提出利用一次性 ArUco 相机校准自动采集同步 RSS-位置数据的轻量级框架,以降低监督式 Wi-Fi 室内定位标注成本,并通过多条件实验验证其精度、泛化性和开源实用性。
2025-09-26 cs.AI eess.SP
RSS-based Multiple Sources Localization with Unknown Log-normal Shadow Fading
基于接收信号强度(RSS)的多源定位在无线传感器网络中引起了极大的兴趣。然而,由于障碍物引起的阴影衰落项不能从接收信号中分离出来,这导致了严重的位置估计误差。本文利用Fenton-Wilkinson方法对对数正态和分布进行了近似,得到了阴影衰落因子未知的非凸极大似然估计。为了克服非凸问题求解的困难,我们提出了一种新的算法来估计源的位置。首先将区域划分为$N$网格,将多源定位问题转化为稀疏恢复问题,从而得到稀疏解。然后,我们利用K-均值聚类方法获得的离网源的粗略位置作为ML估计的初始可行点。最后,提出了一个迭代的位置估计的细化动态更新的本地化字典。该算法能有效地逼近ML估计的局部最优解。仿真结果表明,该方法具有良好的定位性能,提高了未知阴影衰落环境下多源定位的鲁棒性。此外,所提出的方法提供了更好的计算复杂度从$O(K^3N^3)$到$O(N^3)$。
2021-10-20 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
Multi-population Differential Evolution for RSS based Cooperative Localization in Wireless Sensor Networks with Limited Communication Range
本文针对无线传感器网络协作定位计算复杂度高的问题,提出一种基于多种群差分进化、反向学习、重定向和锚定的RSS定位算法,将整体代价函数拆分并由专用种群并行求解,在保持定位精度的同时显著降低计算复杂度。
2024-12-27 eess.SP
Evaluation of RF Fingerprinting-Aided RSS-Based Target Localization for Emergency Response
目标定位是应急调度的关键。最大似然估计(MLE)方法被广泛用于基于接收信号强度测量来估计目标位置。然而,MLE解算器的性能受到初始化(即,解或解搜索空间的初始猜测)。为了解决这个问题,以前的研究提出了基于半定规划(SDP)的MLE初始化。然而,基于SDP的初始化技术的性能在很大程度上受到目标和接收机之间的阴影方差和几何多样性的影响。在这项研究中,提出了一种基于射频(RF)指纹的MLE初始化。此外,目标定位结合RF指纹的最大似然问题制定。在开放空间、城市和室内三种测试环境下,与初始化为SDP的MLE算法相比,本文提出的射频指纹辅助目标定位方法的性能提高了63.31%,平均提高了39.13%.此外,与SDP-MLE方法不同,在我们的实验中,所提出的方法不受目标和接收器之间的不良几何形状的显著影响。
2022-06-19 eess.SP
Optimal Sensor Placement for Hybrid Source Localization Using Fused TOA-RSS-AOA Measurements
结合混合测量的源定位技术提高了位置估计的可靠性和准确性。给定一组可以收集组合的到达时间(TOA)、接收信号强度(RSS)和到达角(AOA)测量的混合传感器,可以通过优化设计混合传感器的布置来进一步提高定位精度。在本文中,我们提出了一个最佳的传感器放置方法,这是基于优化-最小化(MM)的原则,混合定位技术。我们首先推导出混合测量模型的Cramer-Rao下界(CRLB),并使用A-最优准则制定设计问题。接下来,我们引入一个辅助变量来重新制定的设计问题成一个等价的鞍点问题,然后构建简单的代理函数(具有封闭形式的解决方案)的原始和对偶变量。MM在本文中的应用是不同于传统的MM(通常是开发的原始变量),我们相信,MM框架开发的本文可以用来解决许多优化问题。与大多数现有的最先进的算法(本质上主要是分析性的)相比,我们的方法的主要优点是它能够同时处理测量中的不相关和相关噪声。我们还讨论了基于D和E最优准则的最优布局设计的算法的扩展。最后,在不同噪声条件和不同的设计参数下,研究了所提出的方法的性能。
2022-04-13 eess.SP
Optimal Measurement of Drone Swarm in RSS-based Passive Localization with Region Constraints
Nanjing University of Science and Technology(南京理工大学);Hainan University(海南大学);University of Kent(肯特大学)
本文针对区域约束下无人机无法任意部署的问题,采用D最优准则构建优化问题,推导并提出不同飞行状态下无人机的最优闭式构型,通过仿真验证其有效性与实用性。
2026-08-04 eess.SP
Communication-efficient Coordinated RSS-based Distributed Passive Localization via Drone Cluster
Nanjing University of Science and Technology(南京理工大学);Research Institute, China Aerospace Science and Industry Corporation(中国航天科工集团第八五一一研究所);Beijing Aerospace Automatic Control Institute(北京航天自动控制研究所);National Key Laboratory of Science and Technology on Aerospace Intelligence Control(航空航天智能控制科学与技术国家级重点实验室);Hainan University(海南大学);University of Kent(肯特大学)
该研究针对无源辐射源定位问题,提出DMM和DEF方法,仿真显示DMM在低通信开销下RMSE优于DGN,DEF的RMSE优于MM但复杂度更高。
2026-08-04 eess.SP
Experimental Validation of Cooperative RSS-based Localization with Unknown Transmit Power, Path Loss Exponent, and Precise Anchor Location
针对RSS协同定位中发射功率、路径损耗指数未知及锚节点位置不确定的问题,提出可联合估计未知参数与目标位置的CTUP方法,结合多种松弛技术用SDP-SOCP求解,经仿真与实测验证性能更优。
2024-06-20 eess.SP
LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning
TU Berlin(柏林工业大学);LMU München(慕尼黑大学)
本文论述了在密集的城市场景中的蜂窝网络中的定位问题。全球导航卫星系统(GNSS)通常在城市环境中表现不佳,在城市环境中视线条件的可能性较低,因此需要替代的定位方法以获得良好的精度。我们介绍LocUNet:一种用于定位的深度学习方法,其仅基于来自基站(BS)的接收信号强度(RSS),与依赖于到达时间或到达角度信息的方法不同,其不需要在用户设备处相对于设备标准操作的计算复杂度的任何增加。在所提出的方法中,待定位的用户将来自BS的RSS报告给可以位于云中的中央处理单元(CPU)。或者,可以在用户处本地执行定位。使用BS的估计路径损耗无线电地图,LocUNet可以以最先进的精度定位用户,并且对无线电地图中的不准确性具有很高的鲁棒性。所提出的方法不需要预先采样的环境,是适合于实时应用,由于RadioUNet,一个基于神经网络的无线电地图估计。我们还介绍了两个数据集,允许在现实的城市环境中的RSS和到达时间(ToA)方法的数值比较。
2022-02-03 cs.LG cs.NI eess.SP
Robust Distributed Cooperative RSS-based Localization for Directed Graphs in Mixed LoS/NLoS Environments
在当今广泛的应用中,使用无线传感器网络对传感器进行精确且低成本的定位是至关重要的。提出了一种新的、鲁棒的最大似然型分布式协作无线传感器网络定位方法。为了应对混合LoS/NLoS条件,我们使用双组分高斯混合模型对测量进行建模。相关的信道参数,包括参考路径损耗,路径损耗指数和测量误差的方差,为LoS和NLoS条件下,被假定为未知的确定性参数,并自适应估计。与现有的算法不同,所提出的方法自然地考虑到节点之间的链路的(可能的)不对称性。该方法的通信开销上限为节点数的二次函数,计算复杂度与之成线性关系,并且该方法的收敛性对相容网络图有保证,相容性可以通过将问题重新描述为图着色问题来先验检验.与集中式基准算法进行比较的仿真结果表明,该算法在混合LoS/NLoS环境中具有良好的整体性能和高鲁棒性。
2018-12-11 eess.SP
SENTINEL: Securing Indoor Localization against Adversarial Attacks with Capsule Neural Networks
Colorado State University(科罗拉多州立大学)
针对室内定位受对抗攻击、设备异构和RSS波动影响的问题,提出基于改进胶囊神经网络的SENTINEL框架及RSSRogueLoc数据集,显著降低定位误差。
2024-07-14 cs.CR cs.DC cs.LG
Digital Twin-Conditioned RSS-Fingerprint Localization in Cell-Free Millimeter-Wave Networks
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)
本文提出DTCond框架,融合真实与DT波束域指纹实现无小区毫米波网络定位,经测试其平均误差优于纯真实k-NN,在未见过区域性能提升48%,可降低测量预算并优化波束选择。
2026-10-16 cs.NI 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
Constructing Indoor Region-based Radio Map without Location Labels
Future Network of Intelligence Institute (FNii), The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)未来智能网络研究院)
本文针对无位置标签的室内无线电地图构建问题,提出基于序列先验信号子空间模型的集成分割聚类算法,并用图匹配方法关联物理区域,实测区域定位误差较 WCL 降低约 50%,优于 KNN、SVM、DNN 等监督方案。
2024-02-23 cs.LG eess.SP
Received Signal Strength Based Wireless Source Localization with Inaccurate Anchor Position
基于接收信号强度(RSS)的无线定位方法易于实现,成本低.在实践中,锚的精确位置可能不可用。本文主要研究在锚点位置不准确的情况下,直接基于RSS来确定源的位置。我们首先使用泰勒展开和最小-最大的方法来获得源的坐标的最大似然估计。然后,我们提出了一个宽松的半定规划模型,以规避非凸性。同时提出了一种同时考虑源定位误差和锚定位误差的舍入算法,并给出了仿真结果和分析,验证了该方法的有效性。
2021-12-27 eess.SP
Accurate and Robust Localization Techniques for Wireless Sensor Networks
该报告特别关注三个方面:第一是接收信号强度指示技术,波达方向技术,以及RSS和DOA两种算法的集成,以构建一种混合的,更鲁棒的算法。在接收信号强度(RSS)中,使用三边测量来估计未知节点位置。此报表检查不同估计量(如最小二乘法、加权最小二乘法和Huber稳健性)的性能,以获得最稳健的性能。在波达方向(DOA)方法中,使用多信号分类(MUSIC)、Root-MUSIC和经由旋转不变技术的信号参数估计(ESPRIT)算法来执行估计。我们研究了多种信号的情况下,利用各种天线的几何形状,其中包括均匀线性阵列(UWB)和均匀圆形阵列(UCA)。特别注意的是多路径的情况下,信号成为空间相关(或相干)。这需要使用预处理技术,包括相位模式激励(PME)、空间平滑(SS)和Toeplitz。现有的定位技术的进一步改进,证明通过使用一种混合的方法,其中各种组合的RSS和DOA的探索,模拟和分析。这导致了两个主要的贡献:第一个贡献是一个组合的RSS/DOA方法,基于UCA,它具有同时检测不相关和相干信号的公差。第二个主要贡献是一个组合的根MUSIC/Toepltiz方法,基于UCA,这是优于其他技术的检测信号的数量增加和减少计算负荷方面。
2018-06-14 eess.SP
Bayesian Jammer Localization with a Hybrid CNN and Path-Loss Mixture of Experts
1Dept. of Electrical \& Computer Engineering, Northeastern University, Boston, MA, USA 2Dept. of Computer Science, University of Massachusetts Boston, Boston, MA, USA
针对城市GNSS干扰定位中RSS重建不佳的问题,提出融合物理路径损耗与CNN的贝叶斯专家混合框架,实现高精度定位并量化不确定性。
2025-10-23 cs.LG eess.SP
Multiple Source Localization via Local Radio Map Construction in Urban Environments
Science and Technology on Micro-system Laboratory, Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Sciences(中国科学院上海微系统与信息技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Department of Electronic Engineering, Shanghai Jiao Tong University(上海交通大学电子工程系)
本文提出LRM-MSL框架,通过构建局部无线电地图实现多源定位,提升城市环境中多源定位的准确性和效率。
2025-12-04 eess.SP
SALC: Skeleton-Assisted Learning-Based Clustering for Time-Varying Indoor Localization
National Yang Ming Chiao Tung University(国立阳明交通大学);University of California at Berkeley(加州大学伯克利分校);California PATH, Institute of Transportation Studies(加州交通研究所加州PATH项目)
针对室内指纹定位的RSS时变问题,提出融合骨架最短路径与RSS相似性的SALC系统,通过ROMAC、CODE和CsLE动态重建数据库并改进WkNN定位。
2023-07-14 cs.AI cs.LG eess.SP
Adversarial Learning-Based Radio Map Reconstruction for Fingerprinting Localization
针对指纹定位中指纹数据库不完整的问题,本文提出特征引导的对抗框架ComGAN,结合辅助子网络学习空间特征并聚合预测集优化RSS推断,实验证明其重构精度及对应定位性能优异。
2025-11-18 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
Enhancing RSS-Based Visible Light Positioning by Optimal Calibrating the LED Tilt and Gain
本文提出一种最优校准 LED 倾角和增益的方案及加权最小二乘定位算法,显著提升了基于 RSS 的可见光定位精度,优于高斯过程与多边定位,并验证了其有效性与低复杂度。
2024-11-18 eess.SP
Efficient Localization of Directional Emitters via Joint Beampattern Estimation
Queensland University of Technology(昆士兰科技大学);Revolution Aerospace Pty Ltd(Revolution Aerospace有限公司)
针对定向射频辐射源定位中传统方法受方向图RSS调制影响性能下降的问题,提出结合RSS、AOA、TDOA的联合估计DPD方法与交替最大化优化算法,实现高精度快速定位且鲁棒性强。
2026-10-28 eess.SP
Performance Analysis for Wireless Localization with Random Sensor Network
The University of Melbourne(墨尔本大学)
针对d维平稳各向同性随机传感器网络,提出融合RSS和AOA测量的估计器,证明在高噪声下观测联合分布与泊松点过程等价,并推导MSE和CMSE的可解析上界,建立传感器密度、观测半径和噪声方差与定位精度的标度律。
2026-05-24 eess.SP
A Soft Range Limited K-Nearest Neighbours Algorithm for Indoor Localization Enhancement
提出了一种软范围限制的K近邻(SRL-KNN)定位指纹算法。传统的KNN通过计算和排序在未知用户位置和数据库中的参考位置处测量的指纹距离来确定用户的邻居。与该方法不同,SRL-KNN通过与用户先前位置和数据库中的参考位置之间的物理距离相关的范围因子来缩放指纹距离,以减少定位中的空间模糊性。虽然利用了先验位置,SRL-KNN不需要知道用户的确切移动速度和方向。此外,为了考虑接收信号强度指示符(RSSI)的时间波动,RSSI直方图被并入到距离计算中。实际现场实验表明,新算法的平均定位误差为$0.66$ m,误差小于$0.89$ m的平均定位误差为$80\%$,在相同测试环境下比传统KNN算法的定位误差小$45\%$.
2019-08-29 eess.SP
Non-Centralized Navigation for Source Localization by Cooperative UAVs
在本文中,我们提出了一个分布式的解决方案,无人驾驶航空器(UAV)的人口的导航,以最好地定位静态源。该网络被认为是异构的无人机配备有接收信号强度(RSS)传感器,从它是可能的,以估计从源的距离和/或到达的波达方向通过自组织旋转。这种收集和处理RSS测量的多样性减轻了由于采用低复杂度传感器而导致的定位精度损失。无人机在飞行中以分布式方式规划其轨迹。收集的数据通过网络经由多跳传播,因此受到延迟的影响。由于不是所有的路径是平等的信息收集奖励方面,运动规划制定为最小化的源位置的不确定性下的无人机运动学和防碰撞的约束和执行的3D非线性规划。所提出的分析考虑到非视线(NLOS)的信道条件,以及在通信中的延迟约束所造成的测量年龄。
2019-10-28 eess.SP
Angle estimation using mmWave RSS measurements with enhanced multipath information
针对室内定位,提出仅基于RSS联合估计AoA和AoD的算法,利用码本波束和多天线增强多径信息,克服视距限制,并经实验和射线追踪验证。
2024-03-14 eess.SP
Estimating Distances via Received Signal Strength and Connectivity in Wireless Sensor Networks
Inner Mongolia University(内蒙古大学)
本文提出基于最大似然估计的融合方法,结合接收信号强度和局部连接性高效估计无线传感器网络中节点间距离,优于单一方法并接近CRLB。
2018-01-29 cs.SY eess.SP eess.SY
Inter-Mobile-Device Distance Estimation using Network Localization Algorithms for Digital Contact Logging Applications
我们正在开发移动应用程序,通过蓝牙自动记录联系人,以帮助在持续的COVID-19大流行的情况下扩大数字联系人追踪工作。这种应用的一个有用的组成部分是设备间距离估计,这可以被公式化为一个网络定位问题。我们调查了几种方法,并评估了每一种方法在真实和模拟的蓝牙低功耗(BLE)测量数据集上的性能,包括距离估计精度和邻近检测问题。我们研究了口袋等障碍物、设备型号之间的差异以及环境(即室内或室外)对性能的影响。我们的结论是,虽然直接估计可以提供最好的接近检测时,接收信号强度指示器(RSSI)的测量是可用的,网络定位算法,如Isomap,局部线性嵌入,弹簧模型优于直接估计在存在丢失或非常嘈杂的测量。弹簧模型始终达到最佳的距离估计精度。
2020-07-21 cs.NI eess.SP
A Support Vector Approach in Segmented Regression for Map-assisted Non-cooperative Source Localization
针对RSS源定位中LOS/NLOS混合导致传统方法性能下降的问题,提出利用二维地图拓扑信息的支持向量辅助分段回归方法,联合区分传播环境并估计源位置,RMSE较基线提升逾30%。
2025-06-10 eess.SP
Comparison of Extended and Unscented Kalman Filters Performance in a Hybrid BLE-UWB Localization System
针对混合 BLE-UWB 定位系统,论文以 BLE 的 RSS 为主、周期性引入 UWB 的 TDOA 修正,并通过实验比较 EKF 与 UKF 的定位精度。
2024-04-03 eess.SP