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

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

采用条件神经网络将节点视角信息注入定位管道以适应于未见的视角，显著提高多视图室内跟踪中定位准确性的 FlexLoc 技术。

Jun, 2024

提出了一种基于图神经网络的网络定位方法，通过结合关注机制，在严重的非直线视线传播情况下实现了卓越的稳定性和准确性，消除了离线校准或非直线视线识别的需求。

Nov, 2023

本文提出了基于图卷积网络的多视角地理定位模型 GCN，使用文本和网络上下文，并在三个基准地理定位数据集上与最先进技术和两个基准进行了比较，当有足够的监督时，GCN 可以达到或与最先进技术竞争。此外，我们在最少监督情况下评估 GCN，并表明它优于基准。我们发现，高速公路网络门对于控制 GCN 中有用邻域扩展的数量至关重要。

Apr, 2018

本研究采用图神经网络（GNN）解决经典的非线性回归问题 —— 网络定位，并发现 GNN 在精度、鲁棒性和计算时间方面潜在成为大规模网络定位的最佳解决方案，适当的通信范围阈值对其高性能至关重要。此外，本研究提出的基于 GNN 的方法通过数据聚合、非线性可见性去噪和低通滤波等技术使其在邻居选择阈值上的优化成为可能。仿真结果表明，该方法远优于先前的最新基准。

Oct, 2020

使用新型的激光雷达 SLAM 技术和结构运动优化方法在大型商场和地铁站获取室内数据集以便于在室内环境中进行视觉定位，并测试现代化的视觉定位算法，证明结构基方法使用健壮的图像特征具有更高的性能。

May, 2021

本篇论文提出了一种新的图形神经网络 GL-GNN，通过学习关系的图形和选择重要数据特征以解决未知图形、节点具有嘈杂特征和图形含有噪声连接等三个问题，并在多个数据集上与基线方法进行对比， 能够选择重要特征和图形边缘。

Oct, 2022

该论文提出了一种基于收到的信号强度（RSS）的基站的卷积、端到端训练的神经网络（NN）LocUNet，可在城市环境中实现用户的定位，并展示了其在现实城市环境中优于现有竞争方法的性能。

Jun, 2021

我们设计了一种新的可微架构 Neural Graph Optimizer，由本地姿态估计模型、新颖的姿态选择模块和新颖的图优化过程组成，通过端到端的训练使网络自动学习与视觉里程计相关的领域特定特征，从而实现了 SLAM 的完整神经网络解决方案，并在模拟的 2D 迷宫和 3D ViZ-Doom 环境中展示了系统的有效性。

Feb, 2018