提出了一种成本 - effective、简化的环境辅助生活系统设计范例，该系统可以在现实世界中同时捕捉用户 ADL 行为的多模态组件，以实现在 ADL 过程中的跌倒检测和室内定位。通过与其他研究的比较，证明了该系统的有效性、创新性和成本优势。

Jul, 2022

通过在养老院进行的定性研究，本文了解了居民和护理人员对现有 Ambient Assisted Living 和 Ambient Intelligence 技术的需要和要求。

Apr, 2018

本文提出了一个开源、低成本、可扩展和隐私保护的边缘计算框架，用于室内多人定位，其中包括多个 Tensor 处理单元 (TPU) 摄像头系统，配合基于 Kalman 滤波的多人跟踪方法和一种先进的身体方向估计方法，能够同时确定多人的位置和朝向，并保证了个人隐私，实现了优化的数据传输和存储以及可扩展性。

May, 2023

基于灰盒贝叶斯优化和仿真评估，我们提出了一种新颖的、样本高效的方法，在任意室内空间中找到高质量的传感器布置，用于可靠的跌倒检测、室内定位和活动识别。通过捕捉关于活动空间分布的专业知识，并将其纳入到贝叶斯优化的迭代选择查询点过程中，考虑了两个仿真室内环境和包含人类活动和传感器触发的真实数据集，我们展示了相对于现有的黑盒优化技术，我们提出的方法在识别高质量传感器布置方面表现更好，在 F1 得分方面实现了准确的活动识别，同时还需要更少的昂贵函数查询次数（平均减少了 51.3%）。

Sep, 2023

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

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

本文研究使用无线电、视觉和音频传感器进行室内定位的方法。通过对最先进的算法和真实数据集的评估，我们更具体地评估了一种基于无线电的机器学习算法与大规模 MIMO 技术、基于视觉的 ORB-SLAM3 算法与 RGB-D 相机以及基于音频的 SFS2 算法与麦克风阵列进行室内定位。讨论了定位精度、可靠性、校准要求和潜在系统复杂性等方面，以分析不同传感器在室内定位任务中使用的优势和局限性。结果可作为鲁棒高精度多传感器定位系统进一步发展的指南和基础，例如通过传感器融合、上下文和环境感知适应。

Sep, 2023

本文提出了一种融合室内定位和联邦学习技术的新型嵌入式机器学习框架 FedHIL，以提高设备异构环境下室内定位的准确性，同时保护用户数据隐私，在现实世界的不同室内环境和异构移动设备中进行的实验证明，FedHIL 表现优于现有最先进的 FL 和非 FL 室内定位框架，在平均定位精度上比最佳 FL-based 室内定位框架提高了 1.62 倍。

Jul, 2023

本文提出了针对多占用环境基于接近交互的传感器激活辨识计算机模型，利用 UWB 和二进制传感器进行了案例研究，可用于经典的 HAR 模型降低多占用问题的复杂度。

Nov, 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