室内定位最新研究论文总结和接收最新研究的方法

Posted 2023-03-08 程序员石磊

经过大量的阅读，确定了室内定位的路线，后续不再分享最新论文，针对研究的方向对论文进行深入解读

订阅最新研究的方法

1. 谷歌学术搜索研究方向关键词，以serverless为例

2. 点击左下角创建快讯
3. 点击创建快讯按钮如下图所示：

4. 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

磁异常匹配轨迹和航位推算融合移动机器人导航

Magnetic Anomaly-Matched Trajectory and Dead Reckoning Fusion Mobile Robot Navigation

基于磁异常的导航算法不能稳定地对磁场畸变变化的环境进行导航。本研究将磁异常匹配轨迹与移动机器人惯性轨迹融合，提出一种适用于多种室内环境的稳定导航方案。该方法以航位推算为主要导航系统，通过优化异常匹配轨迹和航位推算轨迹，采用反馈结构对导航传感器误差进行补偿。此外，通过确定轨迹关键帧，只使用定位结果进行扩展卡尔曼滤波测量更新，具有较高的精度。利用开放数据集验证了算法的性能，并与现有算法进行了比较。该方法仅使用里程表、陀螺仪和磁力计进行室内导航，具有较高的成本效益。

基于多传感器的自适应权重EKF的室内AGV融合定位研究

Research on Indoor AGV Fusion Localization Based on Adaptive Weight EKF Using Multisensor

针对车轮里程计和惯性测量单元(IMU)由于地面摩擦系数或碰撞碰撞等原因导致位姿计算误差较大，进而影响自动导引车辆(AGV)路径规划和导航的问题，提出了一种基于多传感器的可扩展融合定位方法。在传统扩展卡尔曼滤波(EKF)的基础上，利用内部定位数据进行预测，利用外部定位数据进行校正。根据不同传感器的状态，采用自适应权值法消除系统累积误差的影响，提供连续、准确的定位数据。实验结果表明，与单传感器相比，融合定位方法在数量上有所提高，精度可达到5~8cm。它可以处理非视线(NLOS)地标遮挡情况，并可以在昏暗的光线或黑暗的环境中导航。系统通过视觉定位来保证融合数据的准确性，通过里程表和IMU来保证系统的稳定性。新的定位传感器也可以添加到系统中进行数据融合

自主导航深度学习应用和方法的最新进展——全面回顾

RECENT ADVANCEMENTS IN DEEP LEARNING APPLICATIONS AND METHODS FOR AUTONOMOUS NAVIGATION - A COMPREHENSIVE REVIEW

本文对自主导航中使用的端到端深度学习框架进行了全面的综述，包括障碍物检测、场景感知、路径规划和控制。通过分析近年来的研究成果，评估深度学习方法的实现和测试，旨在弥合自主导航与深度学习之间的鸿沟。它强调了移动机器人、自动驾驶车辆和无人机导航的重要性，同时也承认由于环境的复杂性、不确定性、障碍、动态环境以及需要为多智能体规划路径所带来的挑战。重点介绍了深度学习在工程数据科学中的快速增长及其创新导航方法的发展。讨论了最近与该领域相关的跨学科工作，并对自主导航中深度学习方法的局限性、挑战和潜在增长领域提供了简要的看法。最后，总结了不同阶段的研究成果和实践，总结了现有和未来的方法，以及它们的适用性、可扩展性和局限性。该综述为自主导航和深度学习领域的研究人员和从业人员提供了宝贵的资源

基于wi-fi/BLE/QR/MEMS传感器的智能融合结构室内定位

Intelligent Fusion Structure for Wi-Fi/BLE/QR/MEMS Sensor-Based Indoor Localization

由于城市环境的复杂性，在许多新兴地区，使用移动终端对室内行人进行本地化是一项紧迫的任务。基于多源融合的定位被认为是在大规模室内区域提供位置服务的有效方法。本文提出了一种集成Wi-Fi、蓝牙低能耗(BLE)、快速响应(QR)码和微机电系统传感器(3D- wbqm框架)的智能三维室内定位框架。在含有磁干扰和外部加速度的室内空间中，开发了一种增强型惯性测程技术，对行人进行精确定位和轨迹优化，利用Wi-Fi精细时间测量站、BLE节点和二维码进行地标检测，为轨迹优化和众包导航数据库建设提供绝对参考。此外，采用无迹卡尔曼滤波(RUKF)作为通用集成模型，将惯性测程、BLE、QR、Wi-Fi FTM和众包Wi-Fi指纹的位置估计结果结合起来进行大规模室内定位。实验结果表明，所提出的3D-WBQM框架可在不同位置源的大型室内区域实现自主精确定位，在Wi-Fi FTM支持区域可获得米级定位精度

基于局部机器学习的室内指纹定位方法

A Local Machine Learning Approach for Fingerprint-based Indoor Localization

近年来，机器学习(ML)解决室内定位问题因其定位精度高、实现成本低而成为热门。针对高维接收信号强度指示(RSSI)值定位问题，提出一种新的局部非参数定位方法。该方法由一系列分类算法组成，依次将位置解决方案的可能空间缩小到更小的邻域。这种顺序分类方法的思想类似于决策树算法，但一个关键的区别是我们在每个节点上对数据集的划分不是基于输入的特征(即RSSI值)，而是根据输出变量(即3D真实世界坐标)生成的一些离散值变量。通过适当选择如何顺序地将位置空间划分为更小的邻域，定位解决方案的力量可以调整到问题的细节。使用公开可用的室内定位数据集UJIIndoorLoc，将所提出的方法与该数据集的全局ML算法进行了评估。主要贡献是为室内定位问题提出了一种新的局部ML解决方案

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

Intelligent IoT-Based Tracking System for Constant Supervision of Health Status and Daily Activities of Children

在某个时候，孩子们开始成长，获得更多的独立性，可以独立地探索世界。虽然这是孩子成长的一个自然阶段，但父母通常会在这个阶段感到不安，担心他们的孩子在没有监督的情况下会面临危险。该问题是本文介绍的系统背后的主要动机。其目的是通过跟踪儿童的相对位置和监测其健康状况以确保其幸福，协助父母维护其儿童的安全。它还跟踪和监督孩子的日常活动，防止任何可能发生在孩子身上的潜在危险。该系统由两个主要单元组成。第一个单元以孩子佩戴的手环的形式实现，而一个移动应用程序作为父母一方的第二个单元。与之前介绍的系统相比，该系统被设计为一个综合系统，它结合了所介绍系统中存在的大多数功能。它特别增强了商业化引进的系统，引入了室内跟踪的功能来监测人。该系统旨在通过物联网技术的优点将子女与父母连接起来，从而提高性能。实验结果表明，该系统能够成功检测到跌倒和超出安全距离，并在发生事故时及时通知家长。医疗参数已得到有效监测，误差百分比从0.3%至9%不等。

建立消费可穿戴设备用于人口研究中的暴露和健康监测。

Setup of Consumer Wearable Devices for Exposure and Health Monitoring in Population Studies.

可穿戴传感器通常嵌入到商业智能手表中，允许在临床研究中进行连续和非侵入性的健康测量和暴露评估。然而，这些技术在涉及大量参与者的研究中的实际应用可能会受到几个实际挑战的阻碍。在这项研究中，我们提出了一个修改的协议，从先前的干预研究减轻健康影响的沙漠沙尘暴。该研究涉及两个不同的人群:6-11岁的哮喘儿童和心房颤动(AF)老年患者。两组都配备了智能手表，用于评估身体活动(使用心率监测器、计步器和加速度计)和位置(使用GPS信号来定位个人在室内“在家”或室外微环境中的位置)。参与者需要每天佩戴配备了数据收集应用程序的智能手表，数据通过无线网络传输到中央管理的数据收集平台，以接近实时的合规性评估。在26个月的时间里，超过250名儿童和50名房颤患者参与了上述研究。确定的主要技术挑战包括限制访问标准的智能手表功能，如游戏、互联网浏览器、摄像头和音频记录应用程序，技术问题，如GPS信号丢失，特别是在室内环境中，以及智能手表内部设置干扰数据收集应用程序。该协议的目的是演示如何使用公开可用的应用程序锁和设备自动化应用程序，以一种简单而经济的方式解决大多数这些挑战。此外，Wi-Fi接收信号强度指示器的加入显著改善了室内定位，并在很大程度上减少了GPS信号的误分类。在2020年春季推出这项干预研究期间，这些协议的实施导致了数据完整性和数据质量方面的显著改善。

室内大区域半监督指纹构建与定位系统

Semi-supervised Fingerprint Construction and Localization System For Large Indoor Area

许多基于位置的室内导航服务应用需要用户精确的位置信息。当全球定位系统(GPS)在室内失去可靠性时，基于指纹的定位技术(FBLT)在精度和鲁棒性方面表现出优势。在基于蓝牙的指纹定位系统中，离线构建射频地图并作为后续实时定位任务的参考。然而，当涉及到一个大、宽、低信标密度的空间时，指纹射频图的质量可能会出现问题。在这样的空间中收集数据也会很累。另一个主要问题是不同移动设备在同一位置接收到的信号强度不同。本文提出了一种具有高度实用性的半监督学习指纹构建方法，为复杂室内环境下的大规模定位系统提供了一种高效的解决方案。我们还进行了一系列的实验来评估该系统的性能。

改进曲线平滑度指数的不同区域特征优化室内定位方法

An Indoor Location Method Based on Features Optimization for Different Regions with Improved Curve Smoothness Index

传统的基于wifi的室内定位技术容易受到不同环境的影响。此外，Wi-Fi指纹定位方法的数据库匹配耗时较大，定位效率较低。针对上述问题，提出一种基于特征融合的多指纹分区定位方法。在离线阶段，基于改进的信号强度降序曲线平滑指数对不同区域进行特征提取。在线阶段，使用k近邻(KNN)分类器定位测试点以逼近区域。然后利用传统定位算法实现感兴趣区域的精确定位。实验结果表明，针对不同区域的特征优化方法对更复杂的环境具有很强的通用性，提高了算法的效率和准确率。

VITAL:面向精准智能手机异构弹性室内定位的视觉Transformer神经网络

VITAL: Vision Transformer Neural Networks for Accurate Smartphone Heterogeneity Resilient Indoor Localization

-基于Wi-Fi指纹的室内定位是一个新兴的嵌入式应用领域，它利用建筑物中现有的Wi-Fi接入点(ap)，通过智能手机对用户进行定位。不幸的是，不同智能手机无线收发器的异构性降低了定位算法的准确性和可靠性。本文提出一种基于视觉transformer神经网络的新框架VITAL，以解决这一重要挑战。实验表明，与之前的工作相比，VITAL可以降低智能手机异构性带来的不确定性，同时将定位精度从41%提高到68%。展示了该方法的通用性，并提出了一种数据增强技术，可以集成到大多数基于深度学习的定位框架中，以提高精度

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

A Highly Robust Indoor Location Algorithm Using WiFi Channel State Information Based on Transfer Learning Reinforcement

基于信道状态信息(Channel State Information, CSI)数据的WiFi指纹可用于室内定位。与接收信号强度指示(RSSI)数据相比，CSI具有更高的数据信息粒度，可以在多个子载波上获取。利用CSI数据进行室内定位可以取得较好的效果。然而，无论是使用RSSI还是CSI信号，在部署室内定位过程中，室内环境往往在一段时间后发生变化，基于测试数据的指纹数据库往往恶化甚至失效。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。迁移学习的优点是我们可以使用更少的数据来获得更好的迁移训练结果。利用迁移学习对指纹库的预测进行迁移，延长指纹库的生命周期，提高室内定位的鲁棒性。1周后室内定位精度保持在98%，2周后保持在97%。在相同成本下，该模型的生命周期和定位精度高于长短期记忆网络(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。

LSTM网络辅助的双目视觉惯性行人定位方法

LSTM Network-Assisted Binocular Visual-Inertial Person Localization Method under a Moving Base

为了准确定位地下空间中的人员，需要在可穿戴设备上安装定位设备。但可穿戴惯性人员定位设备随着人员移动，必然会出现测量基准抖动(简称动基)现象，导致惯性测量误差，使定位精度退化。针对该问题，提出一种神经网络辅助的双目视觉惯性人员定位方法。利用视觉-惯性同时定位与建图生成地面真值信息(包括位置、速度、加速度数据和陀螺仪数据)，利用训练后的神经网络从移动基座下的IMU数据碎片中回归6维惯性测量数据，并基于回归后的惯性数据构建位置损失函数，以降低惯性测量误差。最后，以视觉为观测量，将点特征与惯性测量数据紧耦合优化机制，提高人员定位精度。通过实际场景实验，验证了所提方法能够提高人员的定位精度。所提算法的定位误差为0.50%D，在移动基座下降低了92.20%。

训练集缺失下基于迁移PSO-ELM的室内定位算法

Indoor Location Algorithm Based on Migration PSO-ELM in the Absence of Training Sets

超宽带技术有其独特的优势，被广泛应用于室内定位。基于机器学习的UWB定位方法可以显著提高定位精度。然而，这些算法一般基于实验数据和室内特征进行训练，在缺乏场景训练集的情况下，难以应用于其他室内场所。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)。该定位算法无需实验数据即可生成虚拟训练数据集，实现对新的室内场所的精确定位。仿真结果表明，迁移PSO-ELM在不需要训练集的情况下应用于新场景时，能够保持较高的精度并缩短部署时间。

IndoorRSSINet—基于深度学习的室内2D RSSI地图预测，应用于无线定位

IndoorRSSINet - Deep learning based 2D RSSI map prediction for indoor environments with application to wireless localization

考虑室内环境下的二维RSSI预测问题。室内RSSI预测在定位、无线网络拓扑规划和调度等方面起着至关重要的作用。在室内场景中，由于来自墙壁、家具和其他物体的多次反射和折射，该问题具有挑战性。传统的RSSI预测使用现场测量、射线跟踪或电磁模拟是耗时的。通过将RSSI map预测视为图像预测问题，利用深度学习的最新进展，提出了一种名为IndoorRSSINet的深度学习模型，具有更快的RSSI map预测。本文使用光线跟踪解释来设计室内rssinet。在使用光线跟踪生成的合成2D室内RSSI数据集上评估了IndoorRSSINet的性能。实验表明，使用室内rssinet预测2D RSSI地图比光线跟踪方法快21倍，RSSI归一化到[0,1]的归一化均方误差(NMSE)为0.00962。我们举例说明了在基于RSSI指纹的无线定位应用中使用室内rssinet进行发射器位置优化。

四维室内可见光定位: 基于深度学习的视角

Four-Dimensional Indoor Visible Light Positioning: A Deep-Learning-Based Perspective

由于卫星导航信号的缺乏以及复杂的多径和动态室内信道特性，精确的室内定位一直是定位与导航的“最后米困境”难题。室内可见光定位(VLP)为利用广泛部署的发光二极管(LED)进行精确、低复杂度的室内定位提供了一种新的可能。文中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，通过深度学习推断出准确的位置坐标。具体地，设计了一种混合模型，即卷积-循环神经网络(convolutional-recurrent neural network, CRNN)，用于学习室内可见光复杂传播环境中从接收信号强度到位置坐标的非线性映射。针对室内可见光的非视距传播和不同的接收点朝向问题，提出一种基于CRNN的四维VLP架构。仿真结果表明，所提出的基于crnn的4D VLP方法(CR4D-VLP)可以达到厘米级的定位精度，且在不同空间模式和不同房间大小的led视距和非视距场景中均明显优于现有的基于深度学习的方法。

基于圆扩展的自适应三边测量室内定位算法

Indoor positioning using circle expansion-based adaptive trilateration algorithm

具有无线通信能力的移动设备的日益普及刺激了室内定位服务的增长。室内定位用于实时定位设备的位置，以便于获取。然而，由于存在大量障碍物，室内定位相比室外定位具有挑战性。全球定位系统(Global positioning system, gps)非常适合室外定位，但在空间受限的室内环境中定位效果不佳。近年来，物联网的发展带来了可用于室内定位的便携、低成本的无线技术。提出了一种基于接收信号强度指示(RSSI)的自适应三边测量算法。为评估所提算法的定位精度，采用低功耗蓝牙(BLE)、Wi-Fi (IEEE 802.11n)、ZigBee和LoRaWAN物联网技术。结果表明，与现有的相关工作相比，该方案在BLE、ZigBee、Wi-Fi和LoRaWAN中的误码性能分别提高了4%、17%、22%和33%。

基于混合AI的iBeacon室内定位网络安全: 攻击与防御

Hybrid-AI-Based iBeacon Indoor Positioning Cybersecurity: Attacks and Defenses

在公共场所越来越多地建立信标系统来帮助用户进行室内位置导航和定位。人们通过安装在手机上的低功耗蓝牙(BLE)接收服务。然而，iBeacon系统的定位导航功能在面临黑客的网络攻击时可能会受到影响。换句话说，其安全性需要进一步考虑和加强。该研究以日客流量达30万人次以上的台北主站iBeacon系统为例，借助人工智能技术和人工参与，探索其潜在攻击并进一步研究防御技术。实验表明，在iBeacon系统信息安全规划的早期阶段，信息安全技术和滚动编码加密都应该被纳入其中，代表了目前最好的防御方法。此外，我们认为采用滚动编码是成本效益最高的防御方法。然而，如果涉及关键基础设施的安全，则应采用最安全的防御方法，即可预测的加密滚动编码方法。

室内跟踪导航中的异步双曲线超宽带声源定位与自定位

Asynchronous Hyperbolic UWB Source-Localization and Self-Localization for Indoor Tracking and Navigation

双曲线定位通过测量信号的到达时间差(TDOAs)来确定无线源或无线接收机的位置。传统的时间同步方法依赖于节点间精确的时钟同步，这样独立设备的时间测量值才能进行有意义的比较。不完美的同步通常是主要的误差来源。本文提出了两个新的基于消息的TDOA方程用于双曲线定位，它们不需要同步，满足或超过目前最先进的精度。该方法利用锚节点观测彼此的数据包到达时间，并通过一种新的TDOA方程的重构来降低时钟漂移误差的影响。推导了在自定位和源定位两种工作模式下计算时差的闭式方程，并给出了最大时钟漂移误差的界。实验包括时钟漂移仿真、非视距仿真和基于自定义超宽带(UWB)硬件的室内验证实验，所有实验在128m3的捕获体积中包含8个锚节点和1个定位节点。该源定位方法以较低的设备成本和简单的设置实现了前所未有的精度。所提出的自定位匹配了最先进的精度，但具有无限的可扩展性和高隐私性。这些结果可以实现经济的、无限密度的室内导航，并显著降低实现工商业跟踪应用的经济成本和精度。

一种自适应IMU/UWB融合的NLOS室内定位导航方法

Asynchronous Hyperbolic UWB Source-Localization and Self-Localization for Indoor Tracking and Navigation

室内定位系统(IPS)在智慧医院、物流、仓储等物联网应用中发挥着重要作用。基于超宽带(Ultra-wideband, UWB)的入侵防御系统因其强大的多径阻力和高时间分辨率而表现出优越的性能。然而，非视距(non-line-of-sight, NLOS)情况会显著降低定位精度和通信可靠性。针对该问题，首先提出一种基于支持向量机(support vector machine, SVM)的信道检测方法，区分视距(line-of-sight, LOS)和非视距(NLOS)条件;然后，提出了NLOS环境下基于扩展卡尔曼滤波的单基站距离角度定位算法(DAPA-EKF)。针对视距环境，提出了加速度(LS-AEKF)和速度(LS-VEKF)的最小二乘EKF (LSs)算法。为了进一步提高性能，提出了一种基于到达时间差(time difference of arrival, TDOA)和KF相结合的视距(LOS)感知算法。仿真结果表明，该算法在各种环境下的定位精度均有所提高。最后，使用1000多个测试位置进行验证，LS-AEKF比LS-VEKF在3、4个盲源分离指标上的定位精度提高了73.8% ~ 74.1%。