Reinforcement Learning-Enabled Reliable Wireless Sensor Networks in Dynamic Underground Environments
无线地下传感器网络在气候智能型农业和地下基础设施监测等地下传感领域发挥着重要作用。现有的工程考虑静态的地下环境，这是不实际的，因为土壤的介电参数经常变化，由于降水和恶劣的天气。由于地下无线信道的剧烈变化，这一挑战在实际实施中不容忽视。本文研究了地下动态环境对传感器网络无线通信的影响。利用现场传感器采集的实际数据对隐马尔可夫模型进行训练。然后，通过使用强化学习，我们推导出地下传感器的最佳传输策略，以有效地利用它们的能量，并减少丢弃和未成功传输的数据包的数量。通过使用真实数据的仿真，我们发现所开发的算法可以减少分组丢失，并及时传输感测数据。
2019-10-26 eess.SP
Battery-Free Sensor Array for Wireless Multi-Depth In-Situ Sensing
本文提出一种基于NFC虚拟磁波导的无电池多深度原位传感器阵列，通过解析模型优化设计并以现成NFC传感器原型验证其长距离无线地下传感能力。
2024-01-21 eess.SP
A State-of-the-Art Survey on Multidimensional Scaling Based Localization Techniques
当前和未来的无线应用强烈依赖于精确的实时定位。智能城市、物联网（IoT）、医疗服务、汽车工业、水下勘探、公共安全和军事系统等许多应用都需要可靠准确的定位技术。通常，最流行的定位/定位系统是全球定位系统（GPS）。GPS在室外环境中工作良好，但在室内和恶劣环境中失败。因此，许多其他的无线本地定位技术被开发基于地面无线网络，无线传感器网络（WSNs）和无线局域网（WLAN）。此外，存在融合两种或更多种技术以找出用户的位置的定位技术，也称为基于机会信号的定位。大多数定位技术需要测距测量，诸如到达时间（ToA）、到达时间差（TDoA）、到达波达方向（DoA）和接收信号强度（RSS）。也有考虑邻近信息并且不需要实际测距测量的无测距定位技术。距离无关定位算法中的距离降低技术是一种著名的方法。多维标度（MDS）是近年来在无线网络定位中广泛使用的降维技术之一。本文对无线传感器网络、物联网、认知无线电网络和5G网络中的MDS和基于MDS的定位技术进行了全面的综述。
2019-06-09 eess.SP
Towards Robust Crowdsourcing-Based Localization: A Fingerprinting Accuracy Indicator Enhanced Wireless/Magnetic/Inertial Integration Approach
下一代因特网物联网（IoT）系统对智能定位的需求越来越大，智能定位可以在没有人类感知的情况下利用大数据进行扩展。因此，传统的定位方案没有准确的度量将大大限制广泛的应用。基于众包的本地化已被证明对大众市场基于位置的物联网应用是有效的。本文提出了一种增强的基于众包的定位方法，通过集成惯性，无线和磁传感器。无线和磁指纹准确性都是通过引入指纹准确性指标（FAI）从三个级别（即，信号、几何形状和数据库）。这些FAI因子的优点和局限性，以及它们在预测定位误差和异常值方面的性能进行了研究。在此基础上，提出了FAI增强的扩展卡尔曼滤波器（EKF），将DR/WiFi、DR/Magnetic和DR/WiFi/Magnetic组合定位精度分别提高了30.2%、19.4%和29.0%，最大定位误差分别降低了41.2%、28.4%和44.2%.这些结果证实了FAI增强的EKF在使用众包数据提高多传感器集成定位的准确性和可靠性方面的有效性。
2020-04-09 eess.SP
Wireless Power Transfer and Data Collection in Wireless Sensor Networks
在可充电无线传感器网络中，传感器节点以特定的数据速率生成数据包，并将其传输到基站。此外，基站通过使用无线功率传输（WPT）将功率传输到节点以延长它们的电池寿命。然而，不充分地调度WPT和数据收集导致一些节点耗尽它们的电池并使它们的数据缓冲区溢出，而其他节点浪费它们所收获的能量，这比它们传输它们的数据包所需的能量更多。在本文中，我们研究了一种新的最优调度策略，称为EHMDP，旨在最大限度地减少数据包丢失的传感器节点网络中的节点的能量消耗和数据队列状态信息。调度问题首先制定了一个集中式MDP模型，假设每个节点的完整状态是众所周知的基站。这给出了可在可充电无线传感器网络中收集的数据的上限。接下来，我们放松了完整状态信息可用性的假设，使得数据传输和WPT可以是半分散的。仿真结果表明，在网络吞吐量和丢包率方面，该算法显著提高了网络性能。
2017-11-14 eess.SP
Towards Low-power Wearable Wireless Sensors for Molecular Biomarker and Physiological Signal Monitoring
提出了一种低功耗的可穿戴无线传感器，测量分子生物标志物和生理信号，其中前者通过微流体生物传感系统测量，而后者通过电测量。传感器的低功耗是通过实现模拟联合信源信道编码（AJSCC）压缩的全模拟电路来实现的。该传感器适用于需要实时并发分子生物标志物和生理信号监测的广泛的生物医学应用。
2019-06-30 eess.SP
Wireless Connectivity and Localization for Advanced Air Mobility Services
通过充当交通信号灯的模拟，无人机对无人机通信的通信信令是城市和农村环境中先进空中机动性（AAM）成功的关键。AAM应用的部署，例如空中出租车和空中救护车，特别是大规模的部署，需要一个可靠的信道，用于两个或多个飞机之间的点对点和广播通信。在高度移动的环境中实现如此高的可靠性，需要为灵活性和效率而设计的通信系统。本文介绍了建立和维护一个可靠的通信信道之间的多架飞机在独特的AAM设置的基础。随后，它提出的概念和结果的无线覆盖和移动性的AAM服务使用蜂窝网络作为地面网络基础设施。最后，我们分析了无线定位性能在三维AAM走廊时，利用蜂窝网络，考虑不同的走廊高度和基站密度。我们强调未来的研究方向和开放的问题，以提高整个手稿的无线覆盖和本地化。
2022-02-21 eess.SP
Wireless localization with diffusion maps
在无线定位匹配问题（WLMP）中，挑战是基于由设备进行的无线信号测量将设备与一组候选位置进行匹配。无线信号测量中固有的噪声使这一挑战变得更加复杂。在这里，我们建议使用扩散映射，流形学习技术，以获得嵌入的位置和设备坐标在一个空间，使坐标比较和可靠的评估分配质量在非常低的计算成本。我们表明，映射是强大的噪声和使用扩散地图允许在现实环境中的准确匹配。这表明基于扩散图的方法可以显著提高应用中无线定位的准确性。
2019-08-01 eess.SP physics.soc-ph
Development of a Home Automation System Using Wireless Sensor/Actuator Nodes
本文提出了一种由无线传感器/执行器节点、无线摄像头和家庭服务器组成的无线家庭监控和自动化系统的设计与实现。低成本无线传感器/执行器节点具有温度、光强度和运动传感器，以及用于控制电机、加热器和灯的执行器驱动器电路。还开发了用于监视和控制家庭的服务器和客户端程序。家庭服务器接收并处理传感器读数，例如温度和光强度读数，并且还将用户命令发送到无线节点。该系统提供环境条件监控、传感器数据绘图、入侵检测、自动化设备控制和视频监控，以提高家庭的安全性和舒适性。此外，用户可以在运行时灵活地确定传感器-执行器的相互作用。开发的系统还可以根据用户请求、时间或环境提示将家庭置于各种可配置模式。
2018-02-05 cs.NI eess.SP
Structural health monitoring with distributed wireless sensor networks
无线传感器网络（Wireless Sensor Networks，简称WSN）是一项在现实世界中具有很大实用性的新兴技术。我们重点描述了无线传感器网络的体系结构，关于有用的建设，如结构健康监测和重要性，以及优势，使用无线传感器网络在这一领域
2018-07-10 cs.NI eess.SP
Smart Home Wireless Sensor Nodes Addressing the Challenges using Smart Objects and Artificial Intelligence
灵巧家庭是智能建筑和家庭自动化的进一步发展，其中增加了上下文感知和自主行为。它们基于互联网和无线传感器节点等新兴技术的结合。这些无线传感器节点具有挑战性，因为它们消耗电池功率，使用网络带宽，并且产生无线干扰。目前，存在不同的方法来应对这些挑战。然而，这些方法是基于调整发射机频率并结合睡眠方式方法使用占空比。本文介绍了一种方法，大大降低了无线传感器节点的功耗和传感器事件的传输量。它使用包括人工智能的智能对象来有效地处理位置上的传感器事件，从而节省了这些事件的昂贵的无线传输。在本文中，它已被证明，这种方法提供了巨大的节省功耗和网络负载，这反过来又降低了干扰水平
2019-03-08 cs.NI eess.SP
Improving the Performance of Deep Learning for Wireless Localization
室内定位系统通常基于WiFi或蓝牙低功耗（BLE）信标的接收信号强度指示符（RSSI）测量。在这种系统中，两种最常见的技术是三边测量和指纹识别，后者提供更高的精度。在指纹技术中，深度学习（DL）算法通常用于基于在接收器处接收的多个信标的RSSI测量来预测接收器的位置。在本文中，我们解决了将深度学习应用于无线定位的两个实际问题-将解决方案从一个无线环境转移到另一个\emph{and}小尺寸的标记数据集。首先，我们将自动超参数优化应用于用于室内无线定位的深度神经网络（DNN）系统，这使得系统易于移植到新的无线环境。其次，我们展示了如何使用未标记的数据集来增强一个典型的小标记数据集。通过应用这两种技术，我们观察到DL的性能有所提高。此外，所有相关代码都是免费提供的。
2020-06-16 cs.NI eess.SP
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
Statistical learning for sensor localization in wireless networks
Institut Charles Delaunay（查尔斯·德洛奈研究所）；Université de Technologie de Troyes（特鲁瓦技术大学）；Université de Rouen（鲁昂大学）
室内定位已成为无线传感器网络的一个重要问题。本文提出了一种基于分区的定位技术，该技术使用WiFi信号并在室内环境中有效工作。目标区域由多个区域组成，目标是使用基于统计学习的观察模型来确定传感器的区域。
2020-05-11 cs.LG eess.SP stat.ML
Deep Reinforcement Learning (DRL): Another Perspective for Unsupervised Wireless Localization
位置是空间化物联网（IoT）数据的关键。然而，使用低成本IoT设备进行鲁棒的无监督定位（即，没有具有已知位置标签的训练数据的定位）。因此，本文提出了一种基于深度强化学习（DRL）的无监督无线定位方法。主要贡献如下。(1)本文提出了一种方法来模拟一个连续的无线定位过程的马尔可夫决策过程（MDP），并在DRL框架内处理它。(2)为了减轻在使用未标记数据时获得奖励的挑战（例如，日常生活中的众包数据），本文提出了一种奖励设置机制，该机制从未标记的无线接收信号强度（RSS）中提取鲁棒的地标数据。(3)为了减轻使用DRL进行本地化时对模型重新训练的要求，本文使用RSS测量与代理位置一起构建DRL输入。该方法是通过使用多个蓝牙5智能耳标在牧场的现场测试数据进行测试。同时，实验验证过程也反映了DRL在无线定位中的优势和挑战。
2020-04-09 cs.LG eess.SP stat.ML
Reconfigurable Intelligent Surfaces and Machine Learning for Wireless Fingerprinting Localization
Toshiba Corporation（东芝公司）；University of Cyprus（塞浦路斯大学）；University of Nottingham（诺丁汉大学）
可重构智能表面（RISs）承诺改进、安全和更有效的无线通信。我们提出并演示了如何利用RISs提供的多样性来生成和选择易于区分的无线电地图，用于无线指纹定位应用。此外，我们应用机器学习特征选择方法来修剪RIS的大状态空间，从而降低复杂度并提高定位精度和位置获取时间。我们评估我们提出的方法，通过生成一个新的无线电传播建模和仿真的无线电地图。
2020-10-07 cs.ET cs.LG eess.SP
Maximum Expected Delay: A New Metric to Analyse the Performance of Asynchronous Quorum-based Protocols in Wireless Sensor Networks
能量管理是无线传感器网络面临的一个重要挑战。迄今为止，已经提出了许多技术来减少能量消耗。占空比方法降低了无线传感器网络的能量消耗，因为能量消耗在睡眠方式中下降。使用基于仲裁的方法，传感器可以保持在睡眠方式，并被周期性地唤醒，以发送和接收来自相邻节点的数据。在本文中，我们回顾了这些方法的一个子集，称为异步法定人数为基础的方法，独立的节点之间的同步，并调查其性能在不同的指标。然后，我们提出了一个新的度量来调查在无线传感器网络中的相邻节点的延迟。接下来，我们研究了所有讨论的方法使用建议的度量的性能。最后，我们介绍了基于不同度量的最佳和最差方法。
2021-12-03 cs.NI eess.SP
Analysis of 3D Localization in Underwater Optical Wireless Networks with Uncertain Anchor Positions
定位精度对水下光无线传感器网络的正常运行至关重要。然而，水下定位容易受到不利的环境障碍，例如由于表面和深层水流引起的漂移。这些导致所部署的锚节点位置的不确定性，并对实现准确的位置估计提出了严峻的挑战。因此，本文分析了三维（3D）定位UOWSNs的性能，并推导出一个封闭形式的表达的Cramer Rao下界（CRLB）通过使用到达时间（ToA）和到达角（AoA）的测量下存在的锚节点位置的不确定性。数值结果验证了分析结果，通过比较的定位精度的情况下，没有锚节点的位置不确定性。并与线性最小二乘法（LSS）和加权LLS（WLSS）方法进行了比较。
2019-12-23 cs.NI eess.SP
Vision-Wireless Fusion for Multi-User Localization: A Cross-Modal Transformer Approach
Great Bay University（大湾区大学）；Great Bay Institute for Advanced Study (GBIAS)（大湾区高等研究院）；Guangdong University of Technology（广东工业大学）；Chalmers University of Technology（查尔姆斯理工大学）；Khalifa University（哈利法大学）
针对复杂城市环境中的多用户定位问题，提出一种基于跨模态Transformer的视觉-无线融合框架，利用导频索引CSI与视觉记忆，通过交叉注意力实现用户级定位，实验验证其优于多种基线方法。
2026-09-22 cs.CV eess.SP
Wireless Connectivity of a Ground-and-Air Sensor Network
本文表明，当考虑室外场景和无线通信使用的IEEE 802.11协议与偶极天线，地面反射是一个重要的传播机制。这样，该环境的双射线模型就可以以一定的准确度预测接收信号功率。该研究对无人机与地面传感器的通信具有一定的应用价值。在所提出的无线传感器网络（WSN）场景中，无人机必须接收来自环境的信息，这些信息由位于地面上的传感器收集，并且需要保持它们与基站之间的连接，以保持服务质量，同时在环境中移动。
2022-11-19 cs.NI eess.SP
RayLoc: Wireless Indoor Localization via Fully Differentiable Ray-tracing
Southern University of Science and Technology（南方科技大学）；Huawei Technologies Co., Ltd（华为技术有限公司）；Nanyang Technological University（南洋理工大学）
本文提出RayLoc，将无线室内定位重新表述为无线光线追踪的逆问题，利用全可微光线追踪模拟器对感知场景参数进行反向传播以实现精确定位，并通过高斯核卷积克服稀疏梯度和局部极小值挑战，性能优于传统基线且具备跨环境泛化能力。
2025-01-21 cs.AI cs.LG cs.NI
Robust Localization in Wireless Networks From Corrupted Signals
Uppsala University（乌普萨拉大学）
我们解决的问题，基于时间的定位在无线网络中，当一个未知的部分数据被损坏的非理想信号条件。虽然基于时间的技术能够实现准确的定位，但它们对这种损坏的数据也很敏感。我们开发了一个强大的方法，适用于一系列的定位技术，包括到达时间，到达时间差和基于时间表的传输时间差。该方法是非参数的，只需要一个上限的部分损坏的数据，从而避免了分布假设的破坏噪声分布。数值实验证明了该方法的鲁棒性。
2021-03-01 cs.IT cs.LG eess.SP
