用于智能手机不变室内定位的多头注意力神经网络
STELLAR 是一种新颖的框架,采用对比学习方法,利用 Siamese 多头注意力神经网络来综合地解决设备异构性和时间变化的挑战,无需重新训练模型(无需重新校准),在不同的室内环境中的评估表明,相比于最先进的技术,其准确性提高了 8-75%,有效地解决了设备异构性的挑战。此外,STELLAR 表现出 18-165% 的优势,能够应对长达 2 年的时间变化,展示了其鲁棒性和适应性。
Dec, 2023
本文提出了一种基于视觉转换神经网络的新型框架 VITAL,该框架可以减少智能手机异构性引起的不确定性,在提高本领域已有的最佳结果的基础上,将定位精度从 41% 提高到 68%。同时,我们还证明了该方法的普适性,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,以提高准确性。
Feb, 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
本文研究使用深度神经网络来提高室内定位系统的可靠性和准确性,以 WiFi 信号为主要定位模式,并利用 UJIIndoorLoc 数据集进行实验和验证。
Nov, 2016
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
本研究基于物联网采用星形网络连通拓扑模型结合深度学习方法提出了一种新的基于梯度提升算法增强的 Step-Wise 特征增强的人工神经网络 (indoor localization) 方法,通过采集蓝牙低功耗模块的接收信号强度指示器 (RSSI) 来建立一套数据集,然后使用深度神经网络和转移学习技术进行决策树的特征增强。实验结果表明,相对于现有的梯度提升和深度学习方法,本文方法的定位精度提高了 8% 以上,平均定位误差为 0.77 米。
Nov, 2022
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
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