室内定位最新研究论文总结和接收最新研究的方法
通过长时间的阅读，明确明确了室内定位的路径。之后将不更新与该领域相关的最新文献。就该研究方向展开深入分析。
订阅最新研究的方法
- 谷歌学术搜索研究方向关键词，以serverless为例
- 点击左下角创建快讯
- 点击创建快讯按钮如下图所示：
- 耐心等待、有最新论文谷歌学术就会推送。
看论文要过滤因为有很多垃圾文。
下面是最新的论文整理
磁场异常特征匹配追踪与定位计算融合的移动机器人导航系统
Adopting the principle of magnetic anomaly matching for trajectory planning and fusing dead-reckoning technology to enhance mobile robot navigation accuracy.
受磁异常影响的导航算法在动态变化的磁场环境中难以实现稳定导航。本研究通过融合磁异常匹配轨迹与移动机器人惯性轨迹，提出了一种通用性较高且稳定的室内定位方案。采用航位推算作为主要定位手段，并通过优化异常匹配轨迹与航位推算轨迹之间的关系来补偿导航传感器带来的误差。此外，在确定关键帧的基础上实施扩展卡尔曼滤波更新定位结果，在精度方面表现优异。基于开放数据集对该算法进行了性能评估，并将其与现有方案进行了对比分析。
基于多传感器的自适应权重EKF的室内AGV融合定位研究
Systematic Study of Indoor AGV Fusion Localization Techniques Based on an Adaptive Weight Extended Kalman Filter Using Multisensor Data.
针对基于车轮里程计和惯性测量单元(IMU)的数据，在地面摩擦系数或碰撞等情况的影响下，导致位姿计算误差显著增大，并进而影响自动导引车辆(AGV)的路径规划与导航问题。在传统扩展卡尔曼滤波(EKF)算法的基础上，在本研究中提出了一种新的多传感器可扩展融合定位方法。该方法通过内部定位数据进行状态预测，在此基础上通过外部定位数据进行观测更新。根据不同传感器的工作状态，则采用自适应加权机制消除系统累积误差的影响，并能够持续提供高精度的定位信息。实验表明，在单传感器方法的基础上，融合定位方法显著提升了定位数据的数量，并且其精度可达到5~8厘米。此外该系统能够有效应对非视线(NLOS)环境下的标定遮挡问题，并能在光线不足或环境黑暗的情况下实现自主导航。视觉辅助技术的应用有助于提升融合数据的质量的同时依赖里程表和IMU的信息源以维持系统的稳定运行。该系统设计具备良好的扩展性，在未来可以通过引入新的传感器进一步提升其性能
基于深度学习的自动驾驶技术发展现状与研究进展——系统梳理
RECENT PROGRESS IN DEEP-LEARNING-BASED APPLICATIONS AND METHODS TO ADDRESS AUTONOMOUS NAVIGATION SYSTEMS - A THOROUGH ANALYSIS OF EXISTING SOLUTIONS
本文系统梳理了自主导航领域中使用的端到端深度学习框架的相关研究进展,重点阐述了障碍物检测、场景感知、路径规划及控制等关键技术环节。通过对近期研究成果的深入分析,全面评估了深度学习技术在该领域的应用现状及其实际效果,旨在缩小自主导航与深度学习之间的技术鸿沟。研究强调了移动机器人、自动驾驶车辆以及无人机在导航领域的关键作用,同时也不可忽视环境复杂性带来的挑战,包括不确定性因素的影响以及多智能体协同规划等问题。特别值得提及的是,基于工程数据科学的深度学习方法正以惊人的速度发展,并推动了创新性的导航解决方案的不断涌现。此外,本文还对当前跨学科合作的研究成果进行了概述,并对现有深度学习方法在自主导航中的局限性与未来发展方向进行了简要分析,最后总结归纳了不同阶段的研究成果与实践经验
基于wi-fi/BLE/QR/MEMS传感器的智能融合结构室内定位
基于多种传感器技术组合的智能融合架构实现了室内外精准定位系统的构建
鉴于城市环境的复杂性，在许多新兴地区普遍面临利用移动终端实现室内行人的本地化这一迫切挑战。
基于局部机器学习的室内指纹定位方法
A local machine learning approach tailored for fingerprint-based indoor localization systems.
近年来的研究表明,机器学习(ML)技术在室内定位领域展现出巨大潜力,其显著的优势在于能够提供高精度的同时具有较低的成本,因而成为当前研究热点
基于物联网的智能跟踪系统，用于持续监控儿童的健康状况和日常活动
The proposed system enables the continuous monitoring of children's overall health indicators and routine tasks through an IoT-based platform.
当孩子逐渐长大时，他们开始发展出更强的自主能力，并能够独立探索外部世界。尽管这是儿童成长过程中不可避免的一个阶段，在这一时期中父母往往会感到担忧。本文探讨的系统的主要目的是为了通过物联网技术将子女与家长紧密相连，并确保他们的安全与健康状况。为了实现这一目标，该系统主要由两个模块组成：第一个模块通过孩子的腕带设备来实现监控；第二个模块则通过一个移动应用程序向家长汇报孩子的动态情况。该系统设计上进行了优化融合，在整合了之前提到的各种功能点的基础上特别加强了监测室内人员的能力。通过这种创新设计，在实际应用中可以更全面地覆盖各种潜在风险情况。系统的开发目标在于利用物联网技术的优势提升子女监护的整体效率，并在此基础上实现了对跌倒事件和超出安全距离情况的有效检测能力，在发生紧急情况时能够迅速向家长发出警报并提供必要的医疗参数数据支持。经过实验验证表明，在实际运行过程中该系统表现出了较高的可靠性与准确性：它能够精准识别跌倒行为并及时发出警报；对于超出安全距离的情况也能准确检测出来并立即通知家长；同时医疗参数的数据采集误差范围控制在合理范围内（最低为0.3%，最高不超过9%）。
建立消费可穿戴设备用于人口研究中的暴露和健康监测。
The implementation of wearable devices by consumers for exposure and health monitoring within population studies.
可穿戴式传感器常被集成到品牌提供的智能手表中，在临床研究中支持持续且非侵入式的健康监测与暴露评估工作。然而，在大规模参与者的实际应用中仍面临诸多功能性障碍和技术难题。本研究提出了一种改进型协议旨在缓解先前干预研究中因关注健康影响而采取的技术措施——沙漠化环境中的健康影响研究协议（DRIPS）。该研究涉及两组不同人群：6至11岁的哮喘儿童以及65岁以上的心房颤动患者（AF）。两组参与者均配戴智能手表以监测身体活动（心率、步频及加速度计测量）与位置（GPS定位室内"在家"状态或室外微环境位置）。研究人员要求参与者每日佩戴配备有数据采集应用的手表，并通过无线连接传输至中央化的数据收集平台以实现近乎实时的数据合规性评估。经过26个月的研究周期已有250余名儿童及50名老年心房颤动患者参与其中。主要的技术挑战包括受标准配置限制而无法运行的游戏、互联网浏览器、摄像头及音频记录应用等额外功能；加之GPS信号有时会暂时中断；此外设备内部设置也可能干扰正在运行的应用程序收集功能。该改进型协议的核心目标在于展示如何利用公开可用的应用程序锁与设备自动化应用程序以实现一种简便经济的方式解决上述大部分技术难题。另外引入的Wi-Fi接收信号强度指示器显著增强了室内定位精度并大幅降低了GPS误报率水平。本干预研究于2020年春季推出并实施期间观察到所带来的明显提升包括数据分析完整性及质量水平上的明显提升
室内大区域半监督指纹构建与定位系统
基于部分监督的学习方法用于构建指纹构建过程，并结合位置确定技术开发一种适用于大型室内区域的系统
许多室内导航服务应用依赖于用户的精确位置信息。
改进曲线平滑度指数的不同区域特征优化室内定位方法
A Indoor Location Technique Utilizing the Enhanced Indices of Curve Smoothness Through Key Features Optimization for Various Indoor Regions
The conventional Wi-Fi indoor positioning technology is prone to interference from complex environments. Additionally, the database matching for Wi-Fi fingerprint positioning entails significant time consumption and reduced positioning efficiency. To address these challenges, a novel multi-fingerprint partitioning positioning system based on feature integration has been proposed. In the offline phase, optimized signal strength descending curve smoothing degree metrics are employed to extract distinct regional features. During the online stage, K nearest neighbor (KNN) classification is utilized to determine target point regions. Finally, traditional positioning algorithms are employed to achieve precise localization within the target areas of interest. Experimental results demonstrate that the feature optimization method tailored for different regions exhibits robust adaptability to more intricate environments, thereby enhancing both algorithm efficiency and accuracy.
VITAL: 针对精密智能手机室内定位系统中的异构弹性需求设计的视觉Transformer架构
VITAL: Vision Transformer-based neural network models, aimed at achieving accurate indoor localization on smartphones in a heterogeneity-resilient environment.
主要依赖于Wi-Fi指纹识别的技术在室内定位领域被视为一项前沿嵌入式技术。
基于迁移学习强化的WiFi信道状态信息高鲁棒性室内定位算法
An Indoor Positioning System with High Accuracy Utilizes the WiFi Channel State Information, Built Upon the Foundation of Transfer Learning and Reinforcement Learning Techniques.
基于信道状态信息（Channel State Information, CSI）的数据的WiFi指纹可用于室内定位。相较于接收信号强度指示（RSSI）数据而言，CSI具有更高的数据信息粒度，并可在多个子载波上获取相关信息。采用CSI数据进行室内定位可以获得较好的效果。然而，在部署室内定位系统的过程中，在一段时间内室内环境往往会发生变化，基于测试数据构建的指纹数据库容易出现恶化甚至失效的情况。为此提出了一种利用迁移学习算法建立室内定位指纹库的方法。这种迁移学习方法的优势在于可以通过较少的数据量获得更好的迁移训练效果。通过将指纹库的预测结果应用迁移学习技术进行迁移训练，从而延长了指纹库的有效周期并增强了室内定位系统的鲁棒性表现。经过1周的时间后，在相同成本下该模型维持了98%的室内定位精度，在两周后则维持了97%的高精度水平；相较于现有技术如长短期记忆网络（LSTM）、卷积神经网络（CNN）、支持向量机（SVM）、深度神经网络（DNN）等定位系统，在相同成本下该模型不仅维持了较长的有效周期而且其定位精度表现更为优异
LSTM网络辅助的双目视觉惯性行人定位方法
Long Short-Term Memory (LSTM)-aided binocular visual-inertial fusion approach for pedestrian localization in the context of a moving base
为了实现地下空间人员的精准定位，在可穿戴设备上安装相应的定位装置是必要的前提条件。然而，在人员移动过程中，由于惯性测量基准会发生漂移（简称动基），这会导致惯性测量误差进而影响定位精度的准确性。针对这一问题提出了一种基于神经网络辅助的双目视觉惯性 persons 定位方法。通过融合视觉与惯性数据进行地面位置信息的真实值构建，并利用训练后的神经网络从移动基座下的 IMU 数据中提取关键特征点以回归6维 inertial measurement data；随后基于回归后得到的 inertial data 构建位置损失函数以降低 inertial measurement 的误差水平；最后将视觉观测作为约束条件与 inertial measurement 数据进行紧耦合优化以提升 persons 的定位精度水平。实验结果表明所提算法能够有效提高 persons 的定位精度水平；其中 positioning error 达到了 0.50%D 并且在移动基座环境下实现了 92.20% 的误差降低效果
训练集缺失下基于迁移PSO-ELM的室内定位算法
In absence of training datasets, the Indoor Location Algorithm based on Migration particleswarm optimization and extreme learning machine aims to address the challenge of accurately determining indoor positioning without relying on training data.
超宽带技术具有显著的技术优势，在室内定位领域具有广泛的应用前景。采用基于机器学习的UWB定位方法能够大幅提高定位精度。然而，在缺乏场景训练集的情况下面临诸多限制。针对这一问题提出了一种基于粒子群算法优化极限学习机的迁移定位方案(migration PSO-ELM)。该方案完全依赖于算法自动生成虚拟训练数据集，并可实现对新场景下的精确定位。通过仿真测试结果表明，在无需传统实验数据支持的情况下应用该方案至新场景时仍能保持较高的精度水平，并且显著降低了部署所需的时间成本。
IndoorRSSINet—基于深度学习的室内2D RSSI地图预测，应用于无线定位
IndoorRSSINet - A deep learning-based 2D RSSI dataset prediction system, aimed at improving wireless localization in indoor spaces.
该研究聚焦于室内环境下二维 RSSI 预测问题。该领域对于定位、无线网络拓扑规划以及资源调度等方面具有极其重要的影响。然而，在室内场景中因受墙壁、家具及其他物体表面多次反射与折射的影响使得这一任务面临着巨大挑战。现有的 RSSI 预测方法依赖现场测量数据、射线追踪技术或电磁模拟建模等手段均耗时较长。通过将 RSSI map 预测任务转化为图像识别模型训练的问题并结合当前深度学习技术发展水平提出了一种新型深度学习模型 Indoor RSSI Net 用于解决这一难题。研究团队基于生成式 2D 室内环境下的虚拟数据集进行了模型性能测试并通过对比实验验证了其有效性：该模型在相同条件下运行速度提升显著达到基准算法速度提升 21 倍同时其归一化均方误差（NMSE）值达到了 0.00962 的优异水平。进一步验证了该方法的有效性，在基于 RSSI 指纹识别的实际应用场景中实现了发射器位置优化目标。
四维室内可见光定位: 基于深度学习的视角
四维室内可见光定位：基于深度学习的视角
由于卫星导航信号缺失及室内信道复杂的多径特性长期困扰着室内精准定位问题，在此领域中'最后米'难题始终难以突破。基于LED等广泛部署光源的新一代室观光定位技术VLP开创了实现精准定位的新途径：通过创新性地利用移动终端光电探测器接收到的信号强度提取几何特征结合深度学习算法推导出精确的位置坐标。研究团队开发了一种融合式的模型架构即卷积-循环神经网络(CRNN)系统性地学习分析室观光环境下复杂传播介质中接收端信号强度与位置坐标的非线性映射关系。针对室观光通信中的非视距传播特性及接收端方向多样性问题本研究提出了一种四维CRNN架构CR4D-VLP该方法在仿真实验中展现出厘米级高精度定位能力显著优于现有基于深度学习的传统方案无论是在空间模式多样性的场景还是不同尺寸房间下的视距与非视距工作状态均表现突出
基于圆扩展的自适应三边测量室内定位算法
Indoor positioning is based on the circle expansion method, which is an adaptive trilateration algorithm.
随着无线通信能力的移动设备日益普及，推动了室内外导航服务的发展趋势。在获取设备位置方面，室内外导航技术的应用场景各有侧重——室内外导航在实际应用中面临着不同的挑战与解决方案。其中，在复杂多变的城市地下通道等封闭环境中应用则效果欠佳。近年来，在全球范围内物联网技术的发展使得便携且成本低廉的无线通信技术成为室内外导航的重要支撑手段——其中一种创新性的解决方案是开发了一种基于接收信号强度指示（RCS）的自适应三边测量算法——该算法通过融合低功耗蓝牙（BLE）、Wi-Fi（IEEE 802.11n）、ZigBee和LoRaWAN等多种物联网技术实现精准的位置估计功能——经过实验验证发现该方案相较于现有相关研究工作，在BLE、ZigBee、Wi-Fi和LoRaWAN等主流物联网应用场景下均实现了4%至33%的进步性提升
基于混合AI的iBeacon室内定位网络安全: 攻击与防御
The Hybrid AI Integrated with iBeacon Technology for Indoor Localization, Cybersecurity Mechanisms, and Countermeasures Against Potential Threats.
在公共场所逐步推广安装信标系统以辅助用户实现室内位置导航功能。通过手机上的低功耗蓝牙(BLE)接收服务定位位置已成为现代城市规划的重要组成部分。然而，在面对网络攻击威胁时，iBeacon系统的导航功能可能会受到影响从而导致定位精度下降进而威胁系统的稳定性与可靠性为此必须采取更为严格的安全防护措施。以台北主站为例该项目拥有日均客流量超过30万人次并采用人工智能技术和人工干预的方法深入研究其潜在攻击手段并探索有效的防御技术方案实验结果表明在iBeacon系统的信息安全规划阶段应当充分整合信息安全技术和滚动编码加密方法以确保系统的安全性同时我们还认为滚动编码加密是一种成本效益较高的防御手段然而对于关键基础设施的安全保护则应当优先采用可预测的加密滚动编码方法以最大限度地保障系统的安全性和稳定性
室内跟踪导航中的异步双曲线超宽带声源定位与自定位
Highly accurate non-simultaneous hyperbolic UWB source localization with self-localization for indoor positioning and navigation systems
双曲线定位通过基于信号的时间差到达测量(TDOA)来确定无线源或无线接收机的位置。传统的同步机制依赖于节点间的精确时钟同步，在这种情况下才能实现有意义的比较值。由于不完美的同步通常会导致关键误差的原因，则成为主要问题之一。本文提出了一种新的基于消息的消息时间差方程用于双曲线定位系统设计，并不需要任何同步设备即可实现与现有最先进定位技术相当甚至更高的精度水平。该方法通过利用锚节点观测彼此的数据包到达时间，并采用一种创新的时间差方程重构方法来减少由于时钟漂移引起的误差影响程度。在自定位模式下以及源定位模式下都推导出了计算时间差值的闭式方程组，并给出了最大允许范围内的时钟漂移误差界限值作为理论依据支持该算法的有效性分析与应用验证工作。实验部分包括了多个仿真实验以及基于自定义超宽带(UWB)硬件平台进行的实际室内定位测试实验，在这些测试中所有实验数据均被记录并存储在一个体积为128m³的空间区域内其中包括8个锚节点和1个待定位目标节点点阵布局结构设计合理能够有效支持整个系统的稳定运行与精确计算需求满足实际应用需求的同时还具有无限扩展能力以及高度隐私保护特性这些优势使得所提出的方案能够在成本较低的前提下实现性能超越现有最先进定位技术的技术水平并且显著降低了开发与部署此类跟踪应用所必需的成本水平同时还能保证较高的定位精度表现优异地适用于经济高效的室内导航系统构建工作并为后续的大规模物联网应用打下了坚实的基础
一种自适应IMU/UWB融合的NLOS室内定位导航方法
异步超双曲UWB定位技术及自定位技术用于室内定位与导航
室内定位系统(IPS)在智慧医院、物流及仓储等领域均发挥着关键作用。采用超宽带(Ultra-wideband, UWB)技术构建的入侵防御系统因其强大的多径效应与高时间分辨率而展现出卓越性能。然而，在非视距(non-line-of-sight, NLOS)环境下定位精度及通信可靠性会明显下降。针对这一挑战性问题，本研究首先提出了一种基于支持向量机(support vector machine, SVM)的信道检测方法以区分视距与非视距状态;随后开发了NLOS环境下基于扩展卡尔曼滤波器的一种单基站距离角度定位算法(DAPA-EKF)。为提升在视距环境下的定位精度与可靠性，在此基础上又分别提出了加速度(LS-AEKF)与速度(LS-VEKF)的最小二乘扩展卡尔曼滤波器(Extended Kalman Filter, EKF)算法;为了进一步优化性能并感知视距状态，则创新性地设计了一种结合到达时间差(time difference of arrival, TDOA)与卡尔曼滤波器(Kalman Filter, KF)的时间差相关算法(LO(S))。仿真实验表明，在各类复杂环境下该算法均能显著提升定位精度;进一步验证表明，在1000多个测试点上使用LS-AEKF比LS-VEKF在3至4个关键指标上的定位精度分别高出73.8%至74.1%。