本论文综述了在室内定位中利用深度学习的方法，包括对不同指纹类型的优缺点、已提出的解决方案以及性能评估等方面进行了综合分析比较，还介绍了公开数据集和实施过程中可能遇到的挑战和问题，为未来研究提供了一些展望。
May, 2022
本文介绍了一种利用 CSI 的深度学习室内指纹系统 DeepFi，通过线下训练和线上定位两个阶段实现对室内定位的高精度，与现有三种方法相比证实了 DeepFi 有效减少定位误差。
Mar, 2016
本文综述了 WLAN 指纹定位方法在实际部署中遇到的挑战以及最新解决方案，并在单个真实环境中比较了不同定位方案的准确性和复杂性。
Oct, 2016
本研究提出了一种基于多头注意力神经网络的室内定位框架，能够有效应对智能手机设备异构性导致的 RSSI 信号特性差异问题，并在多样化的室内环境中，相比于现有技术，提升了高达 35% 的定位准确性。
本文提出了一种少样本学习系统以解决室内定位中数据收集和标记的负担，并使用图神经网络构建了转移学习框架，对于定位准确度的表现近似于使用卷积神经网络模型。
Jan, 2022
本文提出了一个包括数据收集，模式聚类，降噪，校准和轻量级一维卷积神经网络模型的端到端解决方案，并使用信号指纹技术解决复杂室内环境下通道状态信息的检测问题，实验表明该方法性能达到最佳神经网络和信道状态信息室内定位作品的 68.5％，参数极少。
本文就无线定位方案的发展趋势和制定更可持续的 AI 技术进行了探讨，重点关注了使用深度学习实现指纹定位的能源效率问题，并提出了一种计算深度学习模型复杂度、能耗以及碳足迹，以便制定更节能的无线定位方案的方法。
Oct, 2022
本文提出了一种新的室内定位系统，使用了注意力增强的残差卷积神经网络和深度轨迹先验来提高定位精度和追踪效果，并探讨了惯性测量单元精度差异对追踪性能的影响及其解决方法。
我们开发了一种名为 'IndoorGNN' 的方法，它使用基于图神经网络（GNN）的算法，以一种监督方式将特定位置分类为特定区域，基于在该位置收集到的 RSSI 值。我们的实验证明，IndoorGNN 在数据集受限的情况下能够表现出与完整数据集相当的预测准确性，而且相比于传统方法和基于 GNN 的方法，它在室内定位任务中具有更好的位置预测准确性。
Dec, 2023
通过使用射线追踪工具和系统级模拟器，研究使用深度学习技术辅助用户设备在 5G 及更高网络中的定位能力，这项技术在无线资源管理方面更为高效和简单，并为未来网络提供了更积极的移动管理机制。
Jan, 2020