Semi-Passive 3D Positioning of Multiple RIS-Enabled Users
可重构智能表面(RISs)是第六代无线通信系统中的一项革命性技术。在这项工作中,我们研究了RIS在多用户被动定位场景中的应用,其中我们有一个发射机(Tx)和多个异步接收机(Rx)与已知的位置。我们的目标是估计多个用户配备RIS的位置。RIS仅将信号从Tx反射到Rx,本身不用作有源收发器。每个Rx接收来自Tx(LOS路径)的信号和来自RIS(NLOS路径)的反射信号。我们表明,用户的3D位置可以估计亚米精度在发射机周围的大面积,使用的LOS和NLOS到达时间测量在Rx。我们这样做,通过开发的信号模型,推导出的Cramer-Rao界限,并设计一个估计,达到这些界限。此外,通过正交化的RIS相位分布在不同的用户,我们规避路径间的干扰。
2021-04-25 eess.SP
Ambient IoT Backscatter Devices as Passive Anchors for NLOS Cellular Positioning: Fundamental Limits
Aalto University(阿尔托大学);Chalmers University of Technology(查尔姆斯理工大学);Tampere University(坦佩雷大学)
研究已知位置的环境物联网反向散射设备在非视距蜂窝定位中作为低成本无源锚点的情况,通过推导不同校准状态下的等效 Fisher 信息矩阵,得出设备定位的相关结论及部署影响。
2026-07-14 eess.SP
Indoor Positioning Based on Active Radar Sensing and Passive Reflectors: Reflector Placement Optimization
Institute of Signal Processing and System Theory, University of Stuttgart, Stuttgart, Germany(信号处理与系统理论研究所,斯图加特大学,斯图加特,德国);Munich Research Center, Huawei Technologies Duesseldorf GmbH, Munich, Germany(慕尼黑研究中心,华为技术杜塞尔多夫有限公司,慕尼黑,德国)
本文提出了一种基于主动雷达传感和被动反射器的室内定位系统,通过多目标粒子群优化算法优化反射器布置,实现低成本高精度的定位。
2026-01-27 cs.RO eess.SP
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
Deep Learning-Based Data Fusion of 6G Sensing and Inertial Information for Target Positioning: Experimental Validation
本文提出一种基于深度学习的6G ISAC与非3GPP传感器(IMU)数据融合方法,用于室内目标定位,实验验证平均定位误差达3厘米,优于基线。
2025-03-31 eess.SP
Deep Learning based Positioning with Multi-task Learning and Uncertainty-based Fusion
本文研究5G网络中的UE定位,对比早期与后期融合技术,提出多任务学习方案共享参数并利用不确定性融合模型输出,显著提升了动态场景下的定位精度与估计可靠性。
2024-08-28 eess.SP
Generalizable and Robust Beam Prediction for 6G Networks: An Deep-Learning Framework with Positioning Feature Fusion
Shanghai University(上海大学);Xi’an University of Posts and Telecommunications(西安邮电大学);Zhejiang University(浙江大学);Xi’an Jiaotong-Liverpool University(西交利物浦大学)
本文提出一种结合定位特征融合的深度学习框架,用于提升6G网络中波束预测的通用性和鲁棒性。
2026-02-10 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
Passive Radio Frequency-based 3D Indoor Positioning System via Ensemble Learning
Oakland University(奥克兰大学);University of Toronto(多伦多大学);Air Force Research Laboratory(空军研究实验室)
本文提出基于无源射频的三维室内定位系统PIPS,利用机会信号与DDDAS框架定制采样频率,并结合三种集成学习策略进行位置回归预测,实验证明其具备高精度、可配置性和鲁棒性。
2023-03-25 cs.AI cs.SY eess.SP
Outlier-Resistant Fusion for Multi-static Positioning using 5G NR Signals
RWTH Aachen University(亚琛工业大学);Indian Institute of Technology Jodhpur(焦浦印度理工学院)
本文提出一种鲁棒算法,通过角度到达和Cauchy损失函数抑制多径环境中的异常值,提升扩展目标定位精度,优于LS和IRLS等传统方法。
2026-03-20 eess.SP
5G Multi-BS Positioning: A Decentralized Fusion Scheme
针对5G多基站集中式定位融合存在线性化误差的问题,提出分布式卡尔曼滤波融合方案,通过融合位置测量值构建线性测量模型,在多伦多市中心准真实仿真中实现93.9%时间的分米级定位精度,性能优于集中式EKF和UKF。
2023-05-03 eess.SP
SmartFPS: Neural Network based Wireless-inertial fusion positioning system
Southeast University(东南大学)
目前的融合定位系统主要是基于滤波算法,如卡尔曼滤波或粒子滤波。然而,实际应用场景的系统复杂度往往很高,例如行人惯性导航系统中的噪声建模,或者指纹匹配和定位算法中的环境噪声建模。针对这一问题,提出了一种基于深度学习的融合定位系统,并针对不同分布的样本提出了一种提高神经网络模型性能的迁移学习策略。结果表明,在全楼层场景下,融合网络的平均定位精度为0.506m。迁移学习的实验结果表明,不同行人的惯性导航定位步长和旋转角度的估计精度平均可提高53.3%,不同设备的蓝牙定位精度可提高33.4%,融合可提高31.6%。
2022-09-28 cs.AI cs.SY eess.SP
Joint Mobile User Positioning and Passive Target Sensing using Optimized Sequential Beamforming
Interuniversity Microelectronics Centre (IMEC)(跨大学微电子研究中心);KU Leuven(荷语鲁汶大学)
本文提出一种考虑速度的序列波束成形框架,通过动态耦合单站感知与双站定位,在时间域内优化资源分配,实现厘米级定位精度和鲁棒速度估计。
2026-05-15 cs.NI eess.SP
On-the-Fly Interrogation of Mobile Passive Sensors from the Fusion of Optical and Radar Data
本文提出融合光学与雷达数据的方法,实现移动无源传感器的实时检测与即时远程询问,并在传送带上的微流控温度传感器上完成概念验证。
2024-12-16 eess.SP
Robust, High-Precision GNSS Carrier-Phase Positioning with Visual-Inertial Fusion
McGill University(麦吉尔大学);Meta
鲁棒、高精度的全局定位是广泛的户外机器人应用的基础。传统的融合方法使用基于低精度伪距的GNSS测量值($>>5m$误差),并且只能产生与全球地心地球固定(ECEF)框架的粗配准。在本文中,我们利用高精度GNSS载波相位定位,并使用扩展的卡尔曼滤波器(EKF)框架,更好地解决与GNSS载波相位有关的整周模糊度,帮助它与本地视觉惯性里程计(VIO)跟踪。%,以实现ECEF帧中的厘米级精度。我们还提出了一种算法,用于精确的GNSS天线到IMU extrinsics校准,以准确地对准VIO的ECEF帧。总之,我们的系统实现了强大的全球定位在严重闭塞的城市峡谷的真实世界的硬件实验证明,并优于国家的最先进的RTKLIB的一个显着的利润率在整周模糊度解决方案的固定率和定位RMSE精度。
2023-03-02 cs.RO eess.SP
WiCluster: Passive Indoor 2D/3D Positioning using WiFi without Precise Labels
Qualcomm AI Research(高通人工智能研究院)
我们介绍WiCluster,一种新的机器学习(ML)方法,用于使用射频(RF)信道状态信息(CSI)的无源室内定位。WiCluster可以预测区域级别的位置和精确的2D或3D位置,而无需在训练期间使用任何精确的位置标签。之前基于CSI的室内定位工作依赖于使用数字信号处理(DSP)的非参数方法,以及最近的参数方法(例如,完全监督的ML方法)。然而,这些方法不能很好地处理现实世界环境的复杂性,也不能满足大规模商业部署的要求:基于DSP的方法的准确性在非视线条件下会显着恶化,而监督ML方法需要大量难以获取的厘米精度位置标签。相比之下,WiCluster是精确的,需要较弱的标签信息,可以很容易地收集,并在非视线条件下工作得很好。我们的第一个贡献是一个新的降维方法的图表。它结合了三重损失和多尺度聚类损失,将高维CSI表示映射到2D/3D潜在空间。我们的第二个贡献是两个弱监督损失,将这个潜在空间映射到笛卡尔映射中,从而得到米精度的位置结果。这些损失只需要简单地获取先验:平面布置图的草图、近似的接入点定位和用平面布置图中的对应区域标记的几个CSI分组。第三,我们报告的结果和鲁棒性研究的2D定位在两个单层办公楼和3D定位在一个两层楼的家。
2021-09-27 cs.CV cs.LG cs.NI
Technology Report : Smartphone-Based Pedestrian Dead Reckoning Integrated with Data-Fusion-Adopted Visible Light Positioning
行人航位推算(PDR)是一种潜在的室内定位技术,它利用惯性测量单元(IMU)获得位置估计。然而,其最显著的缺点之一是其测量误差的积累。本文提出了一种可见光定位(VLP)集成PDR系统,它可以实现实时和准确的室内定位使用IMU和我们的智能手机的摄像头传感器。在系统的编解码过程中,提出了一种多帧融合的方法,在2.1 m高度处,20 bit长的ID可以达到98.5%的解码精度,这使得摄像机的快门速度和LED的高度可以变化。同时,绝对位置和步长可以在单个发光二极管(LED)的帮助下进行校准,在108米的步行中,平均精度在0.5米以内。
2023-01-06 cs.SY eess.SP eess.SY
Bistatic Information Fusion for Positioning and Tracking in Integrated Sensing and Communication
针对通感一体化中的目标定位与跟踪问题,提出一种基于最大似然框架的双站测量自适应融合方法,并设计了固定与动态的误差协方差矩阵计算方式,在毫米波频段下实现了优于基线的定位与跟踪精度。
2024-10-15 eess.SP
Transformer based Collaborative Reinforcement Learning for Fluid Antenna System (FAS)-enabled 3D UAV Positioning
本文提出一种FAS使能的3D UAV定位框架,采用基于注意力机制和RNN的多智能体强化学习方案优化受控UAV轨迹与天线端口选择,显著降低目标UAV定位误差。
2025-07-12 cs.NI eess.SP
Descriptor: A Hybrid Indoor and Indoor-Outdoor Positioning Multi-Technology Dataset (HYMN)
Institute of Traffic Telematics, TUD Dresden University of Technology(德累斯顿工业大学交通遥测研究所)
HYMN数据集结合五种定位技术,涵盖室内外过渡场景,支持多传感器融合和无缝定位研究,克服单一技术限制。
2026-04-22 eess.SP
Multi-Sensor Fusion of Active and Passive Measurements for Extended Object Tracking
本文提出一种融合主动与被动测量的贝叶斯估计算法,将遮挡代理建模为扩展目标,采用几何散射模型和扩展目标PDA,显著提升视距受阻期间及之后的定位精度。
2025-04-25 eess.SP
Statistical Sensor Fusion of a 9-DoF MEMS IMU for Indoor Navigation
MEMS IMU与磁力计的传感器融合是一种流行的系统设计,因为这种9-DoF(自由度)系统能够实现无漂移的3D定向跟踪。然而,这些系统通常容易受到环境磁失真的影响,并且缺乏有用的位置信息;在没有外部位置辅助(例如卫星/超宽带定位系统)的情况下,来自9自由度MEMS IMU的航位推算位置精度由于未建模误差而迅速恶化。定位信息在许多卫星拒绝的地理信息学应用(例如,室内导航、基于位置的服务等)中是有价值的。提出了一种改进的9自由度IMU室内位姿跟踪方法。通过采用鲁棒的原位用户自校准方法,在紧耦合后处理最小二乘框架中同时对加速度计、陀螺仪和磁力计的系统误差进行建模,可以提高9自由度MEMS IMU的估计轨迹的精度。通过相对磁测量更新和鲁棒的权重函数的组合,该方法能够容忍高水平的磁失真。在各种异质磁场条件下对所提出的自动校准方法进行了使用测试,以模拟一个人在口袋里带着传感器走路,一个人检查他们的手机,以及一个人带着智能手表走路。在这些实验中,所提出的算法提高了79.8 - 89.5%的原位航位推算的定位精度和72.9 - 92.8%的航位推算的定位精度,从而减少了相对定位误差从米级到分米级后,10秒的积分,而无需对用户的动态进行假设。
2018-02-12 eess.SP
Optimal Weight Scheme for Fusion-Assisted Cooperative Multi-Monostatic Object Localization in 6G Networks
本文针对6G网络中协作多单站感知定位问题,提出一种基于对数线性池化函数和蒙特卡洛重要性采样的最优加权融合算法,结合多基站的ToA与AoA似然PDF,有效提升了无偏和有偏场景下的定位精度。
2024-08-29 eess.SP
Multi-Sensor Fusion for Extended Object Tracking Exploiting Active and Passive Radio Signals
Graz University of Technology(格拉茨工业大学);Christian Doppler Laboratory for Location-aware Electronic Systems(位置感知电子系统克里斯蒂安·多普勒实验室)
本文提出一种基于贝叶斯方法的多传感器融合算法,用于在部分遮挡线状视图的情况下实现精确定位,通过融合主动和被动雷达型测量来提高鲁棒性。
2026-04-07 eess.SP
Indoor positioning systems: Smart fusion of a variety of sensor readings
强大而通用的本地化技术是下一次工业革命成功的关键。然而,目前还不确定哪种传感器组合将是最强大和最有价值的。因此,我们提出了一个通用的和可重复的测量系统,包括一个多方面的国家的最先进的传感器比较和融合的原始输入数据。它表明,一些技术在相同的情况下和数据集上显示出非常好的结果,但在转换到稍微不同的情况下却会崩溃。在一般情况下,我们表明,香草的方法来融合原始数据实现合理的结果,在泛化域,表明射频(RF)定位技术结合惯性测量单元(IMU)可能会导致一个非常强大的和有前途的候选人解决这个具有挑战性的任务。
2021-05-12 cs.IT eess.SP math.IT
CSI-Based Multi-Antenna and Multi-Point Indoor Positioning Using Probability Fusion
经由神经网络(NN)的基于信道状态信息(CSI)的指纹识别是即使在具有挑战性的传播条件下也能够实现用户设备(UE)的准确室内和室外定位的有前景的方法。在本文中,我们提出了一个定位管道的无线局域网MIMO-OFDM系统,它使用从一个或多个非同步接入点(AP)获得的上行链路CSI测量。对于每个AP接收机,首先从CSI中提取新的特征,这些特征对现实世界收发机中出现的系统损伤是鲁棒的。这些特征是NN的输入,NN提取指示UE在给定网格点处的可能性的概率图。NN输出然后跨多个AP融合以提供最终位置估计。我们提供的实验结果与真实世界的室内测量下的视线(LoS)和非LoS传播条件下的80 MHz带宽的IEEE 802.11 ac系统使用双天线发射UE和两个AP接收器,每个有四个天线。我们的方法是实现厘米级的中位数距离误差,一个数量级的改进,在传统的基线。
2021-08-31 cs.IT eess.SP math.IT
Multimodal Radio and Vision Fusion for Robust Localization in Urban V2I Communications
针对城市V2I通信中GPS信号易被遮挡导致定位误差的问题,提出一种融合信道状态信息(CSI)与视觉信息的多模态对比学习回归定位框架,仿真验证其定位精度优于传统及单模态方法。
2025-08-25 eess.SP
Self-Corrective Sensor Fusion for Drone Positioning in Indoor Facilities
University of Vigo(维戈大学)
针对室内工业设施中无人机需达到5厘米定位精度的需求,本文提出一种自校正传感器融合方法,利用滤波和聚类后的UWB数据校正视觉里程计读数,以替代直接卡尔曼融合,从而在视距阻断、噪声和视觉参考丢失等情况下保持无人机沿预定路径精确定位。
2024-03-30 cs.RO eess.SP
Fusion of Cellular ISAC and Passive RF Sensing for UAV Detection and Tracking
North Carolina State University(北卡罗来纳州立大学)
本文提出了一种融合被动RF传感和雷达的无人机检测与跟踪系统,通过卡尔曼滤波器整合异步观测结果,提升跟踪精度和覆盖范围。
2025-12-16 eess.SP
Hybrid Fusion for 802.11ax Wi-Fi-based Passive Radars Exploiting Beamforming Feedbacks
针对802.11ax被动雷达多目标定位,本文融合NDP得到的联合离开角/到达角与BFF推断的视距离开角,并在最大似然框架下推导最优融合规则。
2025-01-10 eess.SP
Multi-modal Image and Radio Frequency Fusion for Optimizing Vehicle Positioning
Beijing University of Posts and Telecommunications(北京邮电大学);University of Miami(迈阿密大学)
针对单基站室外车辆定位问题,提出融合CSI与摄像头图像的多模态框架,通过基于元学习的硬EM、最小匹配和加权损失利用无标签CSI,定位误差最高降低61%。
2024-10-15 cs.CV cs.LG eess.SP
Self-Supervised Multimodal Fusion Transformer for Passive Activity Recognition
University of Bristol(布里斯托大学)
Wi-Fi信号的普及为医疗保健等领域的人类感知和活动识别提供了重要机会。最常用于无源Wi-Fi感测的传感器基于无源Wi-Fi雷达(PWR)和信道状态信息(CSI)数据,然而,当前系统不能有效地利用通过多个传感器获取的信息来识别不同的活动。在本文中,我们探索新的性能的Transformer架构的多模态传感器融合。我们研究了不同的信号处理技术,从PWR和CSI数据中提取多个基于图像的特征,如频谱图,尺度图和马尔可夫转移场(MTF)。首先,我们提出了融合Transformer,注意力为基础的多模态和多传感器融合模型。实验结果表明,我们的融合Transformer的方法可以实现有竞争力的结果相比,ResNet架构,但更少的资源。为了进一步改进我们的模型,我们提出了一个简单有效的多模态和多传感器自监督学习(SSL)框架。自监督Fusion Transformer的性能优于基线,达到了95.9%的F1分数。最后,我们展示了这种方法在使用1%(2分钟)到20%(40分钟)的标记训练数据进行训练时,如何显着优于其他方法。
2022-08-15 cs.CV cs.HC cs.LG
Exploring Dual-Sniffer Passive Localization: Algorithm Design and Experimental Results
本文提出双嗅探器被动定位系统,设计基于ToA和TDoA的定位方案,通过最小二乘算法解析估计UE位置,仿真与实验验证了TDoA方案提升了被动定位精度。
2024-10-16 eess.SP
Multi-Stage Fusion Architecture for Small-Drone Localization and Identification Using Passive RF and EO Imagery: A Case Study
Air and Missile Defense Sector (AMDS)(防空导弹部门(AMDS));Johns Hopkins University Applied Physics Laboratory (JHU/APL)(约翰斯·霍普金斯大学应用物理实验室(JHU/APL))
针对单模态传感难以检测小型无人机的问题,提出一种结合被动射频和光电图像的多阶段融合架构,通过检测关联与RF指纹识别实现可靠的无人机跟踪与唯一设备标识。
2024-03-30 cs.AI eess.SP
Enabling High-Precision 5G mmWave-Based Positioning for Autonomous Vehicles in Dense Urban Environments
针对密集城市场景下非视距通信降低5G毫米波定位精度的问题,提出融合5G视距与多径信号、结合低成本车载运动传感器并采用UKF的定位方案,在多伦多测试中97%时间精度优于30厘米,性能优于未用多径的方案。
2023-05-04 eess.SP
Fusing Bluetooth With Pedestrian Dead Reckoning: A Floor Plan-Assisted Positioning Approach
Beijing University of Posts and Telecommunications(北京邮电大学);University of Miami(迈阿密大学);Chinese Academy of Sciences(中国科学院)
针对室内定位中平面图信息利用不足的问题,提出融合BLE与PDR的平面图辅助定位算法FP-BP,通过离线建图、在线融合及地图特征校正,实现1.14米的平均定位精度,较基线算法提升超29%。
2025-10-29 eess.SP
Grid-based Hybrid 3DMA GNSS and Terrestrial Positioning
针对GNSS与地面系统在复杂环境中定位受限的问题,提出3DMA多历元网格滤波器紧组合GNSS、UWB与车辆运动数据,实现静态亚米级精度并验证了可行性。
2023-09-11 eess.SP
Target Detection in Two-Channel Passive Radars with Inter-Receiver Collaboration
Syracuse University(雪城大学)
针对空间分布双通道无源雷达的单时延-多普勒单元目标检测问题,提出基于IO子空间变换、接收机间协作线性组合互相关输出及矩优化权重的方法,在带宽受限下提升检测性能。
2025-10-02 eess.SP
Integration of 5G and Motion Sensors for Vehicular Positioning: A Loosely-Coupled Approach
本文提出一种松耦合融合5G、IMU和里程计的车辆定位方案,通过改进EKF协方差设计及IMU机械化处理,在95%时间内实现14厘米定位误差,优于传统恒定速度模型的1米误差。
2024-03-16 eess.SP
A Visual Cooperative Localization Method for Airborne Magnetic Surveying Based on a Manifold Sensor Fusion Algorithm Using Lie Groups
Shenyang Aerospace University(沈阳航空航天大学);International Digital Economy Academy(国际数字经济学院);Beijing Jiaotong University(北京交通大学)
针对GNSS拒止环境下机载磁测中传感器隔离导致的定位难题,提出结合视觉处理模块和改进流形传感器融合算法的视觉协同定位方法,经真实飞行实验验证实现厘米级单轴和分米级3D定位精度。
2024-10-10 cs.RO cs.SY eess.SP
Accurate Passive Radar via an Uncertainty-Aware Fusion of Wi-Fi Sensing Data
University of Brescia(布雷西亚大学);DEVCOM Army Research Lab(DEVCOM陆军研究实验室);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本文首次提出结合变分自编码器与证据深度学习的架构,融合同一Wi-Fi接收器多天线数据,在提升人体活动识别精度的同时实现对分布外样本的感知与潜在变量的语义解释,为黑天鹅事件表征提供基础。
2024-07-01 cs.ET cs.LG cs.NI
Power Optimization for Integrated Active and Passive Sensing in DFRC Systems
本文研究DFRC系统中集成主动与被动感知的功率优化,针对回程容量受限与否采用不同融合策略,提出两种功率优化算法以最大化目标检测概率,仿真表明IAPS方案优于单一感知方案。
2024-02-17 cs.IT eess.SP math.IT
Cooperative Passive Coherent Location: A Promising 5G Service to Support Road Safety
5G承诺了许多新的垂直服务区,而不仅仅是简单的通信和数据传输。我们提出CPCL(合作无源相干定位),分布式MIMO雷达服务,它可以由移动无线电网络运营商提供的服务,为公众用户群。CPCL是无线电网络的固有组成部分,它利用了为5G提出的最重要的关键功能。它通过引入合作原则扩展了众所周知的无源雷达(也称为无源相干定位,PCL)的思想。这些范围从协作、同步无线电信令和MAC到传感器和场景级别上的雷达数据融合。通过使用软件定义的无线电和网络范例,以及用于5G的实时移动边缘计算设施,CPCL有望成为一种无处不在的雷达服务,这种服务可能是自适应的,可重新配置的,也许是认知的。由于CPCL可以双重利用无线电资源(频段和硬件),因此可以认为是一种绿色技术。虽然我们从车辆到车辆/基础设施(V2X)通信的角度介绍了CPCL的概念,但它肯定也可以应用于工业、运输、物流以及安全和安保应用中的许多其他应用。
2019-10-01 eess.SP
ARFT: A Synchronized Multimodal RF-Acoustic Dataset for Positioning in Distributed Environments
KU Leuven(荷语鲁汶大学);Lund Univerisity(隆德大学)
该研究构建了ARFT多模态数据集,含5011组同步射频与声学数据,提出静态声学定位流水线,支持多种分布式环境定位工作流程。
2026-09-03 eess.AS eess.SP
Evaluation of an Uncertainty-Aware Late Fusion Algorithm for Multi-Source Bird's Eye View Detections Under Controlled Noise
VEDECOM;IRSEEM
本文提出统一卡尔曼融合(UniKF)算法,通过受控噪声评估框架隔离融合过程,在多源BEV检测中实现定位误差最多降低3倍、尺寸误差降低2倍,并保持99.5%至100%的精确率和召回率。
2025-07-04 cs.RO eess.SP
Atlas Fusion -- Modern Framework for Autonomous Agent Sensor Data Fusion
Brno University of Technology(布尔诺理工大学);CEITEC(中欧技术研究所)
在本文中,我们提出了我们的软件传感器融合框架的自动驾驶汽车和其他自主机器人。我们已经设计了我们的框架作为一个通用的和可扩展的平台,用于建立一个强大的3D模型的代理的周围环境,融合了广泛的各种传感器到数据模型,我们可以使用作为决策和规划算法的基础。我们的软件目前涵盖RGB和热成像相机、3D LiDAR、3D IMU和GNSS定位的数据融合。该框架涵盖了从数据加载、过滤、预处理、环境模型构建、可视化和数据存储的完整管道。该架构允许社区修改现有的设置或使用新的想法扩展我们的解决方案。整个软件与ROS(机器人操作系统)完全兼容,这使得框架可以与其他基于ROS的软件合作。源代码在MIT许可证下作为开源完全可用。请参阅https://github.com/Robotics-BUT/Atlas-Fusion。
2022-04-20 cs.RO eess.SP
Neuro-Symbolic Fusion of Wi-Fi Sensing Data for Passive Radar with Inter-Modal Knowledge Transfer
Politecnico di Milano(米兰理工大学);University of Brescia(布雷西亚大学);DEVCOM Army Research Lab(DEVCOM陆军研究实验室);University of California, Los Angeles(加州大学洛杉矶分校);Air Force Research Laboratory(空军研究实验室)
本文提出神经符号架构DeepProbHAR,通过融合Wi-Fi多天线信号并利用摄像头领域知识,在不额外标注数据的情况下实现人类活动识别,并生成与精细标注模型精度相当的简单动作分类器。
2024-07-01 cs.ET cs.LG cs.NI
Beyond 5G Wireless Localization with Reconfigurable Intelligent Surfaces
5G无线电定位利用角度和延迟信息,凭借增加的带宽和大型天线阵列。当大型阵列嵌入表面时,它们可以被动地将电磁波引导到空间的首选方向。可重构智能表面(RIS)被视为变革性的“超越5G”技术,因此可以控制物理传播环境。鉴于这样的RIS主要用于通信目的,到目前为止,我们在这里的状态和分析的RIS辅助下行链路定位问题,从费舍尔信息的角度。然后,在此分析的基础上,我们提出了一个两步优化方案,选择最佳的RIS组合被激活,并控制其组成元素的相位,以提高定位性能。初步的模拟结果显示,与自然散射相比,覆盖范围和准确度的增益,同时指出在低信噪比(SNR)和路径间干扰方面的局限性。
2020-08-26 cs.IT eess.SP math.IT
Hybrid Active and Passive Sensing for SLAM in Wireless Communication Systems
将传感功能集成到未来的移动设备中已成为一个重要趋势。在现有的通信硬件架构下实现不同类型的感知并实现相互增强,是实现感知与通信深度融合的关键挑战。在5G新无线电上下文中,可以通过用户设备(UE)侧的上行链路波束扫描来执行主动感测,以观察周围环境。此外,UE可以通过下行链路信道估计来执行被动感测,以测量多径分量(MPC)信息。本研究首次提出了一种结合主动和被动感知的混合同时定位与地图构建(SLAM)机制,在通信系统中实现了两种感知模式之间的相互增强。具体来说,我们首先建立一个共同的功能与反射表面桥接主动和被动传感,从而实现信息融合。基于这一共同特征,我们可以通过MPC在主动感知的辅助下实现物理锚点的初始化。然后,我们扩展了经典的概率数据关联SLAM机制来实现UE定位,并通过后续的被动感知不断细化物理锚点和目标反射。数值结果表明,所提出的混合主动和被动传感为基础的SLAM机制可以成功地工作在棘手的场景中,没有任何先验信息的平面图,锚,或代理。此外,所提出的算法表现出显着的性能增益相比,主动或被动传感的机制。
2022-03-19 cs.IT eess.SP math.IT
A Visual-inertial Localization Algorithm using Opportunistic Visual Beacons and Dead-Reckoning for GNSS-Denied Large-scale Applications
Changzhou University(常州大学);The University of Tokyo(东京大学);Institute of Industrial Science, The University of Tokyo(东京大学生产技术研究所);Aerospace Information Research Institute, Chinese Academy of Sciences(中国科学院空天信息创新研究院)
针对GNSS拒止城市环境,提出融合机会性视觉信标与行人航位推算的低成本视觉惯性定位算法,利用卡尔曼滤波融合并抑制粗差,显著提升定位精度与长期可靠性。
2024-12-14 cs.CV cs.LG eess.SP