室内定位最新研究论文总结-2

集成多传感器的导航与定位系统利用数据融合方法：从分析驱动转向学习驱动策略

基于数据融合的多传感器组合导航与定位系统：一种从分析驱动到学习驱动的方法

Breakthroughs in K-Nearest Neighbor (KNN) algorithms have paved the way for advanced neighborhood learning techniques. This paper introduces a novel approach called 'Deep Neighborhood Learning' tailored for Wi-Fi-based indoor positioning systems, enhancing accuracy and efficiency through innovative algorithmic developments.

超越KNN:基于wifi室内定位系统的深度邻域学习

Smartphone-Based Indoor Floor Plan Construction via Acoustic Ranging and Inertial Tracking

通过结合声学测距与惯性追踪技术实现智能手机室内平面图的构建

为了验证该方法的有效性研究人员进行了广泛的实验测试

Indoor navigation and information sharing in collaborative fire emergency response utilizing BIM technology and multi-user networking.

基于建筑信息模型（BIM）和多用户组网技术的协同消防应急响应系统中，室内火灾应急协作要求参与者共享关于个体信息、火灾情况以及资源分配的详细数据。以提高应急响应效率为目标，本研究设计了一个系统架构来整合相关资源，并提供逃生路线规划与救援行动指导功能。该系统包含四个核心组件：利用建筑信息模型构建的空间几何结构实现路径规划模块；通过融合惯性传感器数据与无线信号实现精准定位的定位引擎；基于紧急事件属性的信息交互机制；以及通过多用户环境实现资源共享的信息协作平台。为了优化计算性能与定位精度，在路径规划模块中引入分步规划策略，在定位引擎中采用融合定位技术进行数据整合与处理。实验结果表明：该系统能有效缩短89.29%的时间成本，并提升定位精度至1.36米以内（图1）。研究结果将为构建协同应急响应数字孪生体系提供理论支持与实践指导

室内定位系统：在重大事故或灾难现场训练应急救援操作程序

在大规模事件或灾难现场训练救援行动程序的室内定位框架

By employing an Optimization Technique that incorporates data from RSSI and PDR sensors, we can calculate the distance between smart devices for COVID-19 contact tracing.

结合基于RSSI和行人航位推算（PDR）的数据优化方法用于智能设备间COVID-19接触者追踪的距离估计问题

A vehicular positioning system leveraging Long-Term Evolution and Received Signal Strength Indicator techniques has been developed for the purpose of accurately determining vehicle locations within long-tunnel scenarios.

长隧道环境下基于LTE RSSI的车辆定位系统

Machine Learning in Visible Light Communication System: A Survey

深度学习技术被广泛应用于自由空间光通信系统

Device discovery and tracing in the Bluetooth Low Energy domain

蓝牙低能耗领域的设备发现和跟踪
无处不在的无线技术低功耗蓝牙(BLE)，自成为过去几年内广泛使用的大多数商业消费电子设备中的一种后就一直存在。它每年生产数十亿台 BLE-enabled 设备（智能手机、智能手表、智能手环等可穿戴或便携式设备）。作为物联网(IoT) 和消费电子的重要组成部分之一， BLE 的成功既是优势也是劣势：一方面它实现了短距离、低成本及低功耗无线通信；另一方面从安全和个人隐私的角度来看，则暴露了潜在威胁的风险。尽管制造商们努力避免对这些设备进行检测与跟踪定位，但 BLE 发送的数据包却给攻击者提供了可利用的机会：他们可以通过捕获这些数据包来识别实际存在的设备并进行指纹匹配。为此 BLE 标准引入了媒体访问控制(MAC) 地址随机化机制以缓解部分问题。本文基于标准允许的标准交互行为进行分析，并结合数据采集方法探讨如何有效实现 BLE 设备的检测与指纹识别工作。在本研究工作中我们采用四种不同的策略构建了基于BLE节点探测询问识别(BLENDER)框架用于枚举并完成对 BLE 设备的指纹匹配工作 从而实现人群监控与识别目的 我们将展示 MAC 地址随机化与其实际设备之间的关联是完全可行的 同时还将介绍大规模数据收集的概念证明方法 为了确定最佳监测站点的位置 我们构建了一个基于移动模型的合成数据集 并模拟了_BLENDER_方法 最后我们验证该方法下机器学习模型能否准确预测特定位置日期与时间内的预期设备数量

PSO-Based Target Location and Tracking within Wireless Sensor Networks

基于粒子群优化的无线传感器网络目标定位与追踪

Indoor navigation systems and information exchange mechanisms are essential for collaborative fire emergency response using BIM and multi-user networking technologies.

室内火灾应急协作要求参与者共享关于个人、火灾和资源的各种信息以促进协作响应行动。本研究开发了一个系统用于提供必要的信息计算逃生和救援路线指导跟踪受害者位置并及时与参与者共享资源该系统包含一个基于建筑信息模型几何结构设计的寻路模块一个通过融合惯性传感器数据与无线信号实现精准定位的定位模块一个提供紧急相关属性的信息交换模块以及一个通过多用户环境实现高效信息分发的信息共享模块为了优化计算效率与定位精度本研究提出了一种两阶段寻路算法与混合定位方法通过对比实验结果表明该系统能够将计算时间减少至原来的89.29%并将定位误差精确控制在1.36米范围内这项研究将为开发具有协同应急响应能力的数字双胞胎系统提供重要参考

On the application of pre-trained image classifiers in fingerprint-based indoor positioning

基于预训练图像分类器的室内指纹定位技术应用研究

AutoLoc: Aiming for Ubiquitous AoA-Based Indoor Localization Using Commodity WiFi

该系统采用主流商品 WiFi 芯片实现无处不在的室内定位。

近年来基于 WiFi 信号的方向到达角 (Angle of Arrival, AoA) 的室内定位研究显示, 基于 WiFi 信号的方向到达角 (AoA) 能够达到厘米级甚至比这更好的精确度。

现有系统通常需要反复的手动校准或依赖额外传感器进行初始阶段的标定, 这一缺陷严重限制了现有技术的应用范围与推广前景。

为此, 我们提出了一种名为 AutoLoc 的新定位系统, 成功克服了现有技术中的主要缺陷。

该系统的核心创新点在于: 首先, 我们开发了一种多源信道状态信息 (Channel State Information, CSI) 融合技术, 可以有效消除初始阶段的位置不确定性; 其次, 我们提出了一种多目标协同置信度评估算法 (Multi-Target Coherent Degree Evaluation Algorithm), 可以精准识别所有可能的目标位置; 最后, 我们设计了一种双层优化定位架构 (Two-Stage Optimization Framework), 能够显著提高复杂环境下 ( rich multipath 环境) 的性能表现。

我们在主流品牌的 WiFi 设备上实现了 AutoLoc 系统的技术验证工作。

在大规模的实际环境测试中发现, 比较于现有的手动校准导向型室内定位方法, AutoLoc 系统不仅达到了类似的中位数精度水平, 更能在 90% 的高精度分位数水平上表现出明显的优势; 同时其整体性能表现也比现有同类产品具有更好的稳定性与可靠性保障能力。”

This paper introduces a graph-based radio fingerprint enhancement technique. The proposed approach aims to improve the accuracy of indoor localization systems that rely on deep learning techniques.

基于图的射频指纹增强的深度学习室内定位

室内定位可被视为传感器网络支撑位置服务（location-based services, LBSs）的关键技术，在全球卫星导航系统不可用场景中发挥着关键作用。在基于深度学习的室内定位方法中，在指纹定位中扮演着重要角色的是无线电数据；然而由于其完整性不足以及空间时间维度上的限制，在现有数据获取上仍显不足。为了最大化现有无线电指纹的信息价值并进一步提升定位精度，在本文中我们提出了一种基于图模型的数据增强方法。该方法通过将参考点(reference point, RP)建模为图中的一个顶点，并将参考点上的无线电数据建模为图信号；在此基础上引入了虚拟参考点作为无线信号缺失的关键节点，并构建了完整的虚拟参考点集合。随后我们深入探究了真实与虚拟参考点之间的潜在空间关联性；在此过程中提出了图拉普拉斯算子的概念；最终通过半监督图插值方法实现了对缺失无线信号区域的数据重建工作。在此重建完成后；我们将重建后的完整无线电指纹输入到深度神经网络（DNN, CNN）中进行室内位置估计与确定工作；实验结果表明所提数据增强方法显著提升了室内定位精度；这为基于深度学习的位置服务应用开辟了新的可能性。