本文提出了一种高效准确的深度学习方法，名为 RadioUNet，用于估算从一个点 $x$（发射器位置）到平面域上任意点 $y$ 的传播路损。该方法能够学习如何在城市环境下准确地估算路损函数，并且能够在实时应用中快速计算结果。实验结果表明，相对于先前提出的方法，我们的方法具有明显的优势。

Nov, 2019

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

针对基于位置相关射频测量和利用关于本地区域的侧面知识（例如城市计划、地形高度、网关位置）的接收信号强度图的重建问题，本文采用神经架构搜索找到最佳神经网络模型的最佳架构，并证明使用附加的侧面信息提高了三个现实城市的接收信号强度图重建的最终准确性，特别是在通常观察到平均接收信号功率变化较大的门附近的子区域。

Jun, 2023

通过分析全球导航卫星系统 (GNSS) 观测数据，本研究提出了一种基于深度学习的方法来检测非直射路径接收与预测 GNSS 伪距误差，并构建了类似 Transformer 的注意机制来提高模型性能和泛化能力，实验结果表明相比其他模型，该方法在车辆定位中具有更好的准确性和召回率，能够避免轨迹偏离问题。

Sep, 2023

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

使用无需位置标签的接收信号强度（RSS）测量数据，本文开发了一个基于区域的无线电地图构建方法，并提出了集成分割和聚类算法来解决 RSS 数据的聚类和区域匹配问题，结果表明该方案能够将区域定位误差降低约 50%，甚至优于一些需要标记数据进行训练的监督定位方案，如最近邻（KNN）、支持向量机（SVM）和深度神经网络（DNN）

Aug, 2023

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

本文提出了一种新的神经建模方法 - UnLoc，旨在实现在多种天气条件下，利用多个传感器输入实现定位的目的，由多个数据流组成的多流网络，能够处理激光雷达、摄像头和雷达等多种传感器输入。

Jul, 2023

利用惯性测量单元（IMU）计算伪标签，本文提出了一种无需昂贵采集位置标签的无线电信号用户定位方法，并展示了在模拟和真实 5G 测量数据中达到分米级准确度的实验结果。IMU 辅助方法与完全监督方法相比性能相似，但部署所需的工作量明显减少。

Feb, 2024

通过分析射频（RF）数据，本文提出了一种利用环境无线信号对室外环境进行重建的新方法，通过选定的深度学习技术在合成射频数据集 WAIR-D 上进行研究，评估了两种基于深度学习的方法，在性能评估中使用了交集 - 并集（IoU），豪斯多夫距离和切菲尔德距离等指标，结果显示基于射频的重建方法具有良好的性能，为轻量级和可扩展的重建解决方案铺平了道路。

Feb, 2024