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
RadioDiff-3D: A 3D$\times$3D Radio Map Dataset and Generative Diffusion Based Benchmark for 6G Environment-Aware Communication
State Key Laboratory of ISN and School of Telecommunications Engineering, Xidian University（信息与通信国家重点实验室和西安电子科技大学电信工程学院）；School of Artificial Intelligence, Xidian University（人工智能学院，西安电子科技大学）；School of Science and Engineering (SSE), Shenzhen Future Network of Intelligence Institute (FNii-Shenzhen), and Guangdong Provincial Key Laboratory of Future Networks of Intelligence, The Chinese University of Hong Kong (Shenzhen)（科学与工程学院（SSE）、深圳未来网络智能研究院（FNii-Shenzhen）及广东省级未来网络智能重点实验室，香港中文大学（深圳））；Department of Electrical and Computer Engineering, University of Waterloo（电气与计算机工程系，滑铁卢大学）
本文提出了大规模3D无线电地图数据集UrbanRadio3D，并基于扩散模型构建了生成框架RadioDiff-3D，以解决传统2D无线电地图构建忽略DoA、ToA等关键参数且泛化能力差的问题，为6G环境感知通信提供了基础数据集与基准。
2025-07-16 cs.LG cs.SY eess.SY
Data Cleansing for Indoor Positioning Wi-Fi Fingerprinting Datasets
Universitat Jaume I（海梅一世大学）；Tampere University（坦佩雷大学）；Universidade do Minho（米尼奥大学）
需要定位和本地化服务的可穿戴设备和物联网设备的数量每年呈指数级增长。这种快速增长还产生了数百万个数据条目，这些数据条目在用于任何室内定位系统之前需要进行预处理，以确保数据质量并为最终用户提供高服务质量（QoS）。在本文中，我们提供了一个新的和简单的数据清洗算法的无线局域网指纹无线电地图。该算法基于指纹之间的相关性，使用接收信号强度（RSS）值和接入点（AP）的标识符。我们使用这些来计算数据集中所有样本之间的相关性，并从数据集中删除相关性较低的指纹。我们在14个独立的公开数据集上评估了所提出的方法。结果，平均有14%的指纹被从数据集中删除。2D定位误差减少了2.7%，3D定位误差减少了5.3%，地板命中率平均略有增加1.2%。因此，位置预测的平均速度也提高了14%。
2022-05-04 cs.LG eess.SP
LuViRA Dataset Validation and Discussion: Comparing Vision, Radio, and Audio Sensors for Indoor Localization
LTH, Lund University（隆德大学工学院（LTH））
本文基于LuViRA数据集，比较视觉、无线电和音频三种传感器在室内定位中的性能，评估各配对的先进算法，为多传感器融合定位系统提供基准和指导。
2024-04-25 cs.CV cs.SD eess.AS
A Multi-Scale Feature Extraction and Fusion UNet for Pathloss Prediction in UAV-Assisted mmWave Radio Networks
针对无人机辅助毫米波网络路径损耗预测，提出结合多尺度特征提取、卷积融合与ASPP瓶颈的UNet架构，并开发全向量化LOS掩码算法，在内部数据和RadioMapSeer基准上优于多种基线。
2025-09-11 eess.SP
RadioUNet: Fast Radio Map Estimation with Convolutional Neural Networks
LMU Munich（慕尼黑大学）；TU Berlin（柏林工业大学）；University of Tromsø（特罗姆瑟大学）
在本文中，我们提出了一种高效且非常准确的深度学习方法，用于估计从点$x$（发射机位置）到平面域上任何点$y$的传播路径损耗。对于诸如用户小区站点关联和设备到设备链路调度的应用，对于所有发射机-接收机位置对的路径损耗函数的准确知识是非常重要的。常用的统计模型将路径损耗近似为发射器和接收器之间距离的衰减函数。然而，在以建筑物、街道峡谷和不同高度的物体的存在为特征的现实传播环境中，这种径向对称函数产生非常误导的结果。在本文中，我们表明，经过适当设计和训练的深度神经网络能够学习如何以非常准确和计算效率高的方式估计城市环境中的路径损耗函数。我们提出的方法，称为RadioUNet，从物理模拟数据集学习，并生成非常接近模拟的路径损耗估计，但对于实时应用来说，计算速度要快得多。此外，我们提出了将从模拟中学到的知识转移到现实生活中的方法。数值结果表明，我们的方法显着优于以前提出的方法。
2020-12-22 cs.IT cs.LG eess.SP
Real-time Localization Using Radio Maps
TU Berlin（柏林工业大学）；University of Tromsø（特罗姆瑟大学）
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。全球导航卫星系统通常在城市环境中表现不佳，当设备和卫星之间没有视线时，因此通常需要替代的定位方法。我们提出了一个简单而有效的方法定位的基础上的路径损耗。在我们的方法中，要定位的用户报告从具有已知位置的一组基站接收的信号强度。对于每个基站，我们在地图中每个位置都有一个很好的路径损耗近似值，由RadioUNet提供，RadioUNet是城市环境中基于深度学习的有效路径损耗函数模拟器，类似于射线跟踪。使用所有基站的路径损耗函数和报告的信号强度的近似值，我们能够提取用户的位置的非常准确的近似值。
2020-06-09 cs.IT cs.LG eess.SP
FedQoS: Federated QoS-Risk Learning for Heterogeneous Indoor-Outdoor Access Selection
Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg（卢森堡大学跨学科安全、可靠性与信任中心（SnT））
FedQoS是一种联邦QoS风险学习框架，通过各接入节点本地学习并联邦聚合训练全局预测器，在无需集中用户数据的情况下，降低动态异构室内外环境的QoS故障率，实现可靠接入选择。
2026-08-27 cs.LG
The LuViRA Dataset: Synchronized Vision, Radio, and Audio Sensors for Indoor Localization
Lund University（隆德大学）；Ericsson AB（爱立信公司）；ELLIIT (Excellence Center at Linköping-Lund in Information Technology)（埃利特信息技术卓越中心（林雪平-隆德））
本文提出了用于室内定位的同步多传感器LuViRA数据集，包含视觉、无线电、音频和IMU等多模态数据及高精度位姿真值，旨在促进传感器融合及相关研究。
2024-04-26 cs.CV cs.SD eess.AS
Weave and Conquer: A Measurement-based Analysis of Dense Antenna Deployments
大规模多输入多输出在室外宏小区的背景下带来显著的性能改进，例如有利的传播条件、空间受限的通信、克服路径损耗的高天线增益以及良好的角度定位。在本文中，我们将探讨这些好处如何扩展到室内散射丰富的部署密集的室内测量大规模多输入多输出数据集的基础上。首先，我们设计和实现三种不同的和相关的拓扑结构，以定位我们的64个天线的环境中：\emph{Massive MIMO, RadioStripes}和\emph{RadioWeaves}拓扑结构。第二，我们测量252004室内通道的$3x3m^2$区域的每个拓扑结构，使用自动化的用户定位和测量系统。使用这个密集的数据集，我们提供了一个独特的分析系统级的属性，如路径损耗，有利的传播，空间聚焦和本地化性能。我们基于测量的分析验证并量化了将天线分布在整个环境中会提高传播公平性，改善有利的传播条件，提高空间限制，最终实现高定位性能。该数据集是公开可用的，并且可以用作未来室内通信系统和通信模型的基准测试的参考数据库。我们概述了我们观察到的实施挑战，并列出了可以从使用此数据集作为基准中受益的各种研发挑战。
2020-03-25 eess.SP
RMTransformer: Accurate Radio Map Construction and Coverage Prediction
Southeast University（东南大学）；Purple Mountain Laboratories（紫金山实验室）
针对现有无线电地图预测SOTA方法多依赖卷积架构的情况，提出混合Transformer-卷积模型RMTransformer，通过多尺度Transformer编码器和卷积解码器实现精准预测，RMSE较典型SOTA方法降低30%以上。
2025-01-11 cs.LG eess.SP
R$^{2}$Net: 2D Deep Residual Learning with Height Embedding for 3D Radio Map Estimation
College of Electronic and Information Engineering, Tongji University（同济大学电子与信息工程学院）；Institute of Advanced Study, Tongji University（同济大学前沿研究学院）
本文提出R$^{2}$Net，通过将高度信息嵌入2D图像，解决了传统2D方法无法处理不同接收高度导致的3D无线电地图估计问题，并针对室内和室外场景分别提出R$^{2}$Net-In和R$^{2}$Net-Out，提升了路径损耗估计的准确性。
2026-05-18 eess.SP
On the Uniqueness of the Quasi-Moment-Method Solution to the Pathloss Model Calibration Problem
研究了用准矩量法（QMM）求解标称电波传播路径损耗预测模型的唯一性问题。标称（基本）的预测模型用于调查，首先进行QMM校准测量从三个不同的传播方案。然后，在用奇异值分解（SVD）和QMM算法进行校准之前，将标称模型以适合于SVD校准的形式进行重铸。的根均方预测误差（RMSE），平均预测误差（MPE），和灰色关联度平均绝对百分比误差（GRG MAPE）方面评估的校准模型的预测性能非常清楚地表明，QMM校准的基本路径损耗模型的独特性是更容易观察到的，当基本模型被重铸在特定于SVD校准的形式。在室内到室外测量的校准的代表性情况下，对于QMM校准的标称模型，记录的RMSE值对于ECC 33模型为5.2639dB，对于其他标称模型为5.3218dB。替代（重新排列）名义模型的相应指标对于ECC 33模型为5.2663dB，对于其他模型为5.2591dB。GRG MAPE指标中具有类似的一般趋势，对于所有替代模型的SVD和QMM校准，其记录为0.9131，但对于标称模型的QMM校准略有不同（在0.9138和0.9196之间）。这些度量之间的微小差异（由于计算舍入近似）证实，当基本模型的组件是线性独立的，QMM解决方案是唯一的。
2023-02-23 eess.SP
Practical Simplified Indoor Multiwall Path-Loss Model
在过去几十年中，人们一直试图建立一个合适的信道预测模型，以优化无线电传输系统。在室内无线电系统应用中，预测由于信号阻塞而引起的路径损耗是特别必要的。本文提出了一个多壁路径损耗传播模型的室内环境，工作在2.45 GHz的传输频率在工业，科学和医疗（ISM）的无线电频段。模型中考虑了沿无线电传播路径穿越的墙数的影响。为了提出该模型，以前的工作著名的室内路径损耗模型进行了讨论。然后，测量由传播路径中的介入壁产生的路径损耗，并且修改理论路径损耗模型中表示损耗因子的项。给出了在2.45 GHz下获得的路径损耗因子的分析结果。建议的路径损耗模型简化了损耗因子项与室内环境的容许假设，并准确地预测路径损耗因子。
2020-09-24 eess.SP
PMNet: Robust Pathloss Map Prediction via Supervised Learning
本文提出了一种基于监督学习的无需模型路径损耗预测方法PMNet，利用计算机视觉技术构建神经网络架构，在较小数据集上训练即可超越基线方法，实现高精度路径损耗地图预测。
2023-05-16 cs.NI eess.SP
Large-Scale Parameters of Spatio-Temporal Short-Range Indoor Backhaul Channels at 140 GHz
使用100 GHz以上的无线电频率将是进一步增强第五代蜂窝的有前途的方法之一。任何空中接口和蜂窝网络设计都需要信道模型，对于信道模型而言，诸如路径损耗、延迟和角度扩展等大尺度参数的测量证据至关重要。本文提供的证据，从准静态时空信道探测活动在两个室内热点（InH）的情况下，在140 GHz频段，假设短距离回程连接。测量的两个InH站点分别是购物中心和机场值机大厅。我们估计的全向大规模参数的测量发现在良好的匹配与第三代合作伙伴计划（3GPP）的新无线电（NR）信道模型在InH的情况下，尽管假设的链路类型和无线电频率范围的差异。3GPP NR信道模型适用于接入链路，并且据说在高达100 GHz的情况下有效，而我们的测量覆盖了140 GHz的短程回程场景。我们发现，我们估计的大规模参数和3GPP NR信道模型在机场比在购物中心之间的偏差更大。
2020-09-28 eess.SP
Tutorial I: Learning the Principles of Mobile Radio Propagation through Smartphone and CRFO
在本教程中，我们提出了三个简单的基于智能手机的实验，以了解移动通信的基本概念，如路径损耗，阴影衰落和小尺度衰落。我们还解释了使用协作无线电频率观测站（CRFO），一个在线平台，可视化无线电覆盖地图。
2021-01-05 cs.IT cs.NI eess.SP
SURIMI: Supervised Radio Map Augmentation with Deep Learning and a Generative Adversarial Network for Fingerprint-based Indoor Positioning
Universitat Jaume I（海梅一世大学）；Tampere University（坦佩雷大学）；Universidade do Minho（米尼奥大学）
基于机器学习的室内定位在学术界和工业界都引起了越来越多的关注，因为可以从参考数据中提取有意义的信息。许多研究人员正在使用有监督、半监督和无监督的机器学习模型来减少定位误差，并为最终用户提供可靠的解决方案。在这篇文章中，我们提出了一种结合卷积神经网络（CNN），长短期记忆（LSTM）和生成对抗网络（GAN）的新架构，以增加训练数据，从而提高定位精度。在17个公共数据集中测试了监督和无监督模型的组合，对其性能进行了广泛的分析。结果，其中70%以上的定位误差得到了减小。
2022-07-13 cs.LG 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
Radio Foundation Models: Pre-training Transformers for 5G-based Indoor Localization
Fraunhofer Institute for Integrated Circuits (IIS)（弗劳恩霍夫集成电路研究所）；Faculty of Engineering, Friedrich-Alexander-Universität Erlangen-Nürnberg（弗里德里希-亚历山大-埃尔兰根-纽伦堡大学工程学院）
本文提出一种自监督学习框架，在实时采集的5G信道测量上预训练通用Transformer，通过随机掩码与重建任务隐式学习传播环境时空模式，使室内定位在达到最先进精度的同时将参考数据需求降低十倍。
2024-10-01 cs.LG eess.SP
Observations on the Angular Statistics of the Indoor Sub-THz Radio Channel at 158 GHz
本文介绍了在158 GHz的商场场景中进行的信道测量活动的选定结果。重点是对收集的测量数据的统计分析，在定向信道增益。虽然大部分功率是从视线（LOS）方向接收的，但显著的多径来自所有测量的方位角方向。排序的定向信道增益的中值可以通过示出相对于LOS方向约10 dB的偏移的线性曲线来近似。
2022-03-02 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
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
An Initial Study of Human-Scale Blockage in sub-THz Radio Propagation with Application to Indoor Passive Localization
Consiglio Nazionale delle Ricerche（国家研究委员会）
本文在 sub-THz W-band 和 G-band 室内环境下实证研究了人体阻挡引起的电磁效应，分析了信道频率和冲激响应变化，并证明其在无设备被动定位中能比传统厘米级 RF 感知实现更高的微运动区分精度。
2024-05-15 cs.ET cs.LG 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
RadioSim Agent: Combining Large Language Models and Deterministic EM Simulators for Interactive Radio Map Analysis
National University of Sciences and Technology（国立科学技术大学）；Dublin City University（都柏林城市大学）
本文提出 RadioSim Agent 框架，将大语言模型与确定性电磁仿真器及视觉推理相结合，实现自然语言驱动的可交互、可解释无线电地图生成，并在城市无人机通信场景中验证了其自主仿真与多模态分析能力。
2025-11-08 eess.SP
Research Project 2: Drone-supported AI-based Generation of 3D Maps of Indoor Radio Environments
无线电环境地图（REM）是增强无线电使能代理的经验的强大工具，但构建这样的REM可能是一项艰巨的任务，特别是在三维中。该项目展示了如何以自主和可扩展的方式生成室内三维空间的REM。在前面的研究项目1的结果的基础上，使用多个无人机来映射真实世界环境中存在于这样的空间中的WiFi信号，其中每个无人机都能够访问36个航点，并共同收集数千个WiFi信标数据样本。该报告还包括对收集到的数据的分析，并提出了基于机器学习的技术来预测无人机未访问的位置的已知接入点的信号强度。
2021-09-14 cs.NI eess.SP
Zero-Shot Frequency Generalization for Radio Map Prediction via Cross-Attention Physics-Residual Learning
National University of Sciences and Technology（国立科技大学）
该研究针对无线电地图预测模型无法适配未见过频率的问题，提出双流交叉注意力物理残差学习方法，在多场景多载波实验中显著降低了预测的RMSE，实现了良好的零样本频率泛化性能。
2026-08-18 eess.SP
Intelligent Reflecting Surface Enhanced Indoor Robot Path Planning Using Radio Maps
研究了一种室内机器人导航系统，其中智能反射表面（IRS）被用来增强接入点（AP）和移动机器人用户之间的连接。所考虑的系统被优化为最小化移动机器人用户从给定的起点到预定义的最终位置的行进时间/距离，同时满足对通信质量的约束。为了解决这个问题，无线电地图为基础的方法，提出了利用位置相关的信道传播知识。具体而言，信道功率增益图的构建，其特征在于最佳IRS相移的移动机器人用户的最大预期有效信道功率增益的空间分布。基于获得的信道功率增益图，通信感知机器人路径规划问题解决了最短路径问题，利用图论。数值结果表明：1）部署IRS可以显著扩展AP的覆盖范围并减少移动机器人用户的行进距离; 2）2位或3位IRS移相器可以实现与连续IRS移相器几乎相同的性能。
2020-09-24 eess.SP
On the Radio Stripe Deployment for Indoor RF Wireless Power Transfer
针对室内RF无线电力传输效率低的问题，提出利用无线电条网络优化部署以最大化用户最小接收功率，采用几何规划求解，优于集中式阵列，且更长条带提升性能、更高频率降低性能。
2023-10-14 eess.SP
Machine Learning based Radio Environment Map Estimation for Indoor Visible Light Communication
University of Peloponnese（伯罗奔尼撒大学）
本文提出基于MLP的室内可见光通信无线电环境图估计方法，通过优化参数实现快速准确的实时预测。
2026-10-02 eess.SP
Mid-band Propagation Measurements in Industrial Environments
本文针对6G工业短距离通信需求，测量并分析10–12 GHz频段254条链路的大规模信道特性，并与3GPP室内工厂信道模型进行比较。
2025-03-13 eess.SP
Accurate Indoor Radio Frequency Imaging using a New Extended Rytov Approximation for Lossy Media
高相对介电常数和大电尺寸目标的成像是逆散射领域的一个挑战性问题。在这项工作中，我们提出了一个无相位的逆散射方法，可以准确地成像和重建对象，即使这些属性。在这些条件下获得的重建精度以前没有达到，因此可以打开该领域的技术重要的应用，如室内射频（RF）和微波成像。该方法的新颖之处在于，它利用高频近似波通过有损介质，以提供传统的Rytov近似（RA）的校正。我们将这种技术称为低损耗介质的扩展无相Rytov近似（xPRA-LM）。仿真以及实验结果提供了室内RF成像使用无相测量从2.4 GHz的WiFi节点。我们证明，该方法提供了准确的重建对象的相对折射率$15+j1.5$的对象大小大于$20 λ$（$λ$是波长内的对象）。即使在高达$ε_r=77+j 7$的较高相对折射率下，对象形状重建仍保持准确，然而重建幅度较不准确。这些结果以前没有得到过，可以用来实现RF和微波成像在室内RF成像等应用中的潜力。
2021-10-07 eess.SP physics.app-ph
Multimodal Indoor Localization Using Crowdsourced Radio Maps
School of Informatics, University of Edinburgh（爱丁堡大学信息学院）；Huawei Technologies (UK)（华为技术（英国）公司）；University College London（伦敦大学学院）
本研究针对室内定位中平面图可用性与更新性不足的问题，提出利用众包无线电地图替代平面图的多模态IPS框架，集成不确定性感知神经网络与定制贝叶斯融合技术，在真实场景中较最优基线提升约25%性能。
2024-03-12 cs.CV eess.SP
An Indoor Radio Mapping Dataset Combining 3D Point Clouds and RSSI
Jožef Stefan Institute, Department of Communication Systems（乔泽夫·斯塔芬研究所，通信系统系）；International Postgraduate School Jožef Stefan, Information and Communication Technologies（国际研究生学校乔泽夫·斯塔芬，信息与通信技术）；Faculty of Engineering, Shibaura Institute of Technology（工学院， Shibaura技术研究所）
本文提出了一种结合3D点云和RSSI的室内无线电映射数据集，用于支持无线网络规划和优化。
2026-02-11 cs.AI 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
Analog MIMO RoC Passive Relay for Indoor Deployments of Wireless Networks
大多数室内覆盖问题来自通常针对室外场景规划的网络部署。此外，越来越多的具有不同无线电接入技术（RAT）的设备，预计用于新的5G场景并保持与旧蜂窝标准（主要是3G/4G）的兼容性，使这种情况恶化，因此需要用于室内覆盖的新的带宽效率，低延迟和成本效益的解决方案。为了解决这个问题，已经提出了集中式无线电接入网络（C-RAN）架构以在建筑物内提供密集和受控的覆盖。然而，当考虑室内布局限制和设备成本时，全数字C-RAN解决方案复杂且昂贵。我们在这里讨论一种模拟C-RAN架构，称为模拟MIMO铜载无线电（A-MIMO-RoC），其目的是在室内50 m量级的距离上分配RF信号。这里提出的全模拟无源设计证明了在高达400 MHz的频率带宽值下通过LAN电缆模拟中继MIMO无线电信号的可行性，用于多RAT应用。在断言A-MIMO-RoC平台的可行性后，我们提出了一些实验结果与建议的架构。这些初步结果表明，A-MIMO-RoC系统是为数十亿建筑物设计专用4G/5G室内无线系统的有效解决方案，这些建筑物目前仍然存在严重的室内覆盖问题。
2020-03-25 cs.IT eess.SP math.IT
Indoor 60 GHz Radio Channel Dataset Enabling Digital Twin Construction
本文提出一种基于验证高绩效测试平台的60GHz信道数据集，利用分段 scrambling 的准正交啁啾波形实现快速 exhaustive 的波束空间采样，构建了高密度空间数据集用于空间信道建模、数字孪生和集成感知与通信研究。
2026-05-07 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
Indoor Propagation Measurements with Sekisui Transparent Reflectors at 28/39/120/144 GHz
使用太赫兹或毫米波无线网络的关键挑战之一是至少需要一个强的非视距（NLoS）反射路径来形成稳定的链路。最近的研究表明，增强/改善这些NLoS链路的经济方式是使用提供强反射的无源金属反射器。然而，尽管金属具有固有的无线电优势，但它可以极大地影响景观的外观-特别是室内环境。从概念上看，避免这种情况的方法是使用透明反射器。在这项工作中，第一次，我们评估了无源透明反射器在室内环境中的无线传播特性，在28 GHz，39 GHz，120 GHz和144 GHz频段。特别是，我们调查的穿透损耗和反射特性在不同的频率，并将它们与其他常见的室内材料，如天花板瓷砖，透明玻璃，干墙，胶合板和金属。测量结果表明，透明反射器除了具有明显的透明性优势外，其穿透损耗比一般室内材料（不包括金属）高，反射性能与金属相似。我们的实验结果直接转化为更好的反射性能，并保留在环境中的无线电波比常见的室内材料，在受控无线通信的潜在应用。
2022-03-15 eess.SP
Intelligent Reflecting Surface Enhanced Indoor Robot Path Planning: A Radio Map based Approach
在本文中，一个室内机器人导航系统的研究，其中智能反射表面（IRS）被用来增强接入点（AP）和机器人用户之间的连接。考虑了单用户和多用户场景。在单用户场景中，一个移动机器人用户（MRU）与AP通信。在多用户场景中，AP采用非正交多址接入（NOMA）或正交多址接入（OMA）传输来服务一个MRU和一个静态机器人用户（SRU）。所考虑的系统进行了优化，以最大限度地减少从给定的起点到预定义的最终位置的MRU的行驶时间/距离，同时满足对机器人用户的通信质量的约束。为此，提出了一种基于无线电地图的方法来利用位置相关的信道传播知识。对于单用户的情况下，信道功率增益地图的构建，其特征的最大预期的有效信道功率增益的最佳IRS相移的MRU的空间分布。基于所获得的信道功率增益图，利用图论方法解决了具有通信感知能力的机器人路径规划问题。对于多用户的情况下，通信速率图的构建，其特征在于在AP处的最优功率分配的MRU的最大期望速率的空间分布和最优IRS相移受SRU的最小速率要求。联合优化问题是有效地解决了调用二分法搜索和逐次凸逼近方法。然后，基于图论的机器人路径规划问题的解决方案，通过利用所获得的通信速率图。我们的数值结果验证了所提出的设计的有效性。
2021-01-03 eess.SP
RADIANCE: Radio-Frequency Adversarial Deep-learning Inference for Automated Network Coverage Estimation
University of Arizona（亚利桑那大学）
针对实地勘测获取射频覆盖图成本高、难实现的问题，提出基于GAN的RADIANCE方法，结合语义图、新型梯度损失函数与天线方向图合成室内射频图，多项指标表现优异。
2023-08-21 cs.LG cs.NI eess.SP
Physics-Inspired Distributed Radio Map Estimation
Georgia State University（佐治亚州立大学）；University of Louisiana at Lafayette（拉斐特路易斯安那大学）
针对联邦学习无线电地图估计中因景观信息缺失导致的任务异质性问题，提出一种基于无线电传播模型领域知识的分布式框架，通过拆分全局与客户端特定自编码器模块，在保护隐私的同时提升了估计性能。
2025-02-01 cs.DC cs.LG eess.SP
Broadband measurements and analysis of human blocking in a 60 GHz indoor radio channel
本研究针对60 GHz室内毫米波通信受人体遮挡影响的问题，在会议室场景下开展宽带测量，测得人体遮挡衰减为24-26 dB，验证了波束成形可利用反射路径替代被遮挡的直连链路。
2025-01-15 cs.NI eess.SP
Simulation-based Evaluation of Indoor Positioning Systems in Connected Aircraft Cabins
针对互联飞机客舱中无线电定位系统的评估集成难题，提出结合射线追踪与经验残差仿真的混合仿真方法，可用于定位方法评估及数据驱动定位的数据验证，提升定位性能，相关数据集已公开。
2023-12-14 eess.SP
Fiber-Topology-Assisted Indoor Positioning Under UWB Degradation with Fixed-Lag Factor Graphs
School of Electronic and Information Engineering, Soochow University（苏州大学电子与信息工程学院）
针对UWB退化下室内定位精度下降问题，提出FTALoc-FGO，利用校准光纤拓扑与DAS事件提供互补空间约束，通过固定滞后因子图融合，在完全UWB丢失时显著降低定位误差。
2026-09-22 eess.SP
WiSER: A Wireless Scene Encoder for Geometry-Grounded Multi-View Wireless Prediction
University of California Santa Cruz（加州大学圣克鲁兹分校）
提出WiSER模型，利用稀疏体素场景表示和发射器条件记忆，联合预测无线覆盖图和多径信道脉冲响应，在ScanNet++和Sionna射线追踪数据集上优于基线方法。
2026-06-03 eess.SP
Data Fusion for Radio Frequency SLAM with Robust Sampling
精确的室内定位对于各种基本应用仍然是一个具有挑战性的问题。解决这个问题的一个有前途的方法是在移动代理和静态物理锚（PA）之间交换无线电信号，这些物理锚在室内环境中的平面上反弹。射频同时定位和映射（RF-SLAM）方法可以用于联合估计代理的时变位置以及平坦表面的静态位置。RF-SLAM方法的最新研究表明，每个表面都可以有效地由单个主虚拟锚点（MVA）表示。与这种基于MVA的RF-SLAM方法相关的测量模型是高度非线性的。因此，贝叶斯估计依赖于基于采样的技术。原始的基于MVA的RF-SLAM方法采用传统的“自举”采样。在具有挑战性的情况下，观察到原始方法可能会收敛到与局部最大值对应的不正确MVA位置。在本文中，我们介绍了基于MVA的RF-SLAM与改进的采样技术，成功地在上述具有挑战性的情况下。我们的模拟结果表明显着的性能优势。
2022-06-20 eess.SP
Industrial Indoor Measurements from 2-6 GHz for the 3GPP-NR and QuaDRiGa Channel Model
为先进制造和加工系统提供可靠的低延迟无线链路是工业4.0的愿景。开发、测试和评级需要精确的无线电传播信道模型。当前的3GPP-NR模型以及MRDRiGa模型缺乏用于工业室内场景的传播参数。为了缩小这一差距，在2.37 GHz和5.4 GHz下在德国纽伦堡的西门子运营场所进行了测量。此外，该活动计划允许测试和参数化DRiGa信道模型的新功能，例如支持设备到设备（D2 D）无线电链路和空间一致性。总共5.9 km的测量轨迹用于提取视线（LOS）和非LOS传播条件下的统计模型参数。发现大厅中的金属墙壁和物体产生了丰富的散射环境，其中大量的多径分量从各个方向到达接收器。这导致了一个强大的通信链路，只要收发器可以处理干扰。所提取的参数可以用于几何随机信道模型，如MANDRiGa，以支持链路和系统级的仿真研究。
2019-06-28 eess.SP
A Vision to Smart Radio Environment: Surface Wave Communication Superhighways
作为对传统方法的补充，传统方法集中在收发器设计上，以最大限度地利用不稳定的有损衰落信道，最近出现的无线通信中的一个根本性发展是通过使用软件定义的材料或可编程元表面来建立有利的传播条件来追求智能无线电环境。本文描绘了未来智能无线电环境中表面波（SW）在“智能表面”上传播的通信高速公路的愿景。该概念不同于在大表面上使用无源元件以智能地朝向预期用户终端反射无线电波的主流努力。在这一愿景中，由于与自由空间传播相比路径损耗小得多，能源效率将是超高的，并且SW固有地局限于智能表面的事实不仅大大简化了干扰管理的任务，而且还使异常本地化的高速无干扰数据访问成为可能。我们将概述软件范式带来的机遇和相关挑战。我们还将试图阐明几个关键的使能技术，使这一点成为现实。将讨论的一个重要技术是软件控制的流体波导架构，允许动态创建高吞吐量的数据高速公路。
2020-05-28 cs.IT eess.SP math.IT
Ray-Optics Simulations of Outdoor-to-Indoor Multipath Channels at 4 and 14 GHz
本研究针对室外到室内场景，开展基于激光扫描点云楼层平面图的4 GHz与14 GHz频段射线追踪信道仿真，验证了内部建模对提升时延和角度扩展仿真精度的作用，还分析了多层隔热窗对传播覆盖的影响。
2023-01-13 eess.SP
Depthwise Separable CNN for D-MIMO Indoor Localization with Data Reduction
KU Leuven（荷语鲁汶大学）；imec（微电子研究中心）
研究针对 D-MIMO 室内定位中传容量瓶颈问题，提出轻量级分布式 ML 框架，在网络边缘进行 CSI 特征提取与缩减，传输低维特征至中央单元估计位置，可减少中传流量 100 倍，保持误差 8.5 毫米，提供可扩展定位蓝图。
2026-07-27 eess.SP
Radio SLAM for 6G Systems at THz Frequencies: Design and Experimental Validation
下一代无线网络将实现通信和传感的融合，还将利用太赫兹（THz）频谱中的大带宽和手持设备上的超大型天线阵列。特别地，设想用户设备将能够通过操纵非常窄的天线波束并收集由物体和墙壁反射的回波来自动扫描其周围环境，以导出室内的地图并使用同时定位和映射（SLAM）技术来推断用户的轨迹。在本文中，我们解决这个问题，提出了原始的radioSLAM（R-SLAM）算法，来自图像处理技术，映射的环境和精确定位设备的位置在地图上开始从测量感测的移动太赫兹雷达。最初，为了充分理解太赫兹后向散射现象，我们提供了一个实验表征太赫兹后向散射信道在室内环境中。然后，所提出的算法的性能进行评估，使用真实世界的太赫兹雷达测量，并与国家的最先进的SLAM技术进行比较，证明所提出的方法的优越性。
2022-12-23 eess.SP
Point Data for Site-Specific Mid-band Radio Propagation Channel Statistics in the Indoor Hotspot (InH) Environment for 3GPP and Next Generation Alliance (NGA) Channel Modeling
针对FR3中频段信道建模缺乏统一数据呈现方法的问题，提出点数据格式标准，支持统计与站点特定表征，并首次提供NYU WIRELESS的InH点数据以增强模型准确性和可复用性。
2025-03-25 eess.SP
