本研究论文探讨了利用众包无线电地图作为多模式室内定位系统中楼层平面图的替代方案，通过引入一种新的框架来解决无线电地图不准确和覆盖不足的挑战，并结合一种基于深度学习的 WiFi 定位模型和一种贝叶斯融合技术来实现最佳融合，通过在多个真实场景上的广泛评估，结果显示相比最佳基线系统有约 25% 的性能提升。

Nov, 2023

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。

May, 2022

本文介绍了一种基于强化学习信息融合框架（RL-IFF）的新型解决方案，通过将到达角度（AoA）与 RSSI 基于粒子滤波和 IMU 基于 Dead Reckoning（PDR）框架相结合，旨在解决 Bluetooth Low Energy 在智能城市中室内动态跟踪 / 定位方法的无法靠谱的问题，实验证明其性能优于同类方案。

Oct, 2022

利用机器学习算法和无线技术实现基于接收信号强度指示器 (RSSI) 的室内定位，通过测试不同的机器学习模型和无线技术，评估室内环境下的定位精度和稳定性。

Feb, 2024

通过机器学习技术，提供室内定位服务，不需要额外的硬件设备投资，在可持续创新的环境中实现循环经济，并解决室内 GPS 定位的限制。

Oct, 2023

该论文提出了一种保护隐私的基于图像的定位解决方案 —— 使用三维线云的地图表示替代三维点云，从而确保足够的几何约束以实现可靠和精确的六自由度相机姿态估计。

Mar, 2019

本研究旨在通过使用强化学习技术选择最精确和合适的 5G 信号范围测量技术，为自主车辆提供准确的协作定位，从而降低误差。

Aug, 2021

作者提出了一种多功能跨学科框架，用于基于概率推理的数学方法对个体用户进行建模，机器学习对用户特定的用户交互进行建模，以及引入了渐进提升和 AdaBoost 算法等多个算法以实现室内定位。该框架引入了两种新功能，可为室内定位提供语义上下文，并在收集了 254 个室内区域的五层楼内的 18 个不同用户的大量数据集的基础上进行了测试。实验结果表明该模型的室内定位始终比传统模型更准确。

Jul, 2022

通过结合多种最先进的传感器的数据，我们提出了一个多功能的测量系统，对其进行比较和融合，展示了单一数据融合技术在应对情境转换时的可行性和鲁棒性。特别是，在结合射频（RF）定位技术和惯性测量单元（IMU）时，这种方法在解决定位问题上具有极高的鲁棒性和可靠性。

May, 2021

该论文提出了一种基于移动设备的无监督轻量级方法来直接模拟用户的社交上下文和位置，该方法利用了自我网络模型，对智能手机嵌入式传感器数据提取高级别的语义上下文特征，在社交上下文方面，该方法利用了在用户和设备之间的物理和网络社交互动的数据，对于位置，它优先建模了特定位置的熟悉度程度，相对于只使用与物理上下文相关的特征，该方法在 AUROC、Precision 和 Recall 方面的表现都有所提高。

Jun, 2023