基于指纹的定位方法在复杂的非直视室内环境中提高了定位精度。然而，现有的通道绘图方法在定位准确性方面落后于指纹定位，并且仍然需要参考样本进行定位和定期数据记录和标记以保持模型的最新。因此，我们提出了一个新的框架，不需要参考位置，只需要速度信息和拓扑地图信息来将通道绘图转换为实际坐标。我们在两个不同的真实数据集上对我们的方法进行了评估，使用了 5G 和分布式单输入 / 多输出系统（SIMO）无线电系统。实验证明，即使有噪声的速度估计和粗糙的地图信息，我们也能够达到类似的位置精度。

Nov, 2023

本文提出了一种基于信道状态信息无监督学习的多天线网络元素的信道绘图框架，在对无线电链路进行大规模衰落特性特征提取后，通过降维和深度神经网络生成信道图，从而实现对用户设备 (UE) 在服务区内的位置和移动所涉及的逻辑关系的直接推断，为 UE 的本地化、网络规划、用户调度、多点连接、移动手段等认知任务提供了一种新的无需全球导航卫星系统信息的解决方案。

Jul, 2018

本文提出了一种新颖的信道绘图技术，通过利用周围传输接收点（TRPs）的到达时间测量和它们的位置，并在算法的训练阶段利用激光扫描仪数据，在信道绘图中融合传感器数据，以减小与 6G 设想数字之间的差距。仿真结果表明，我们的算法在 90% 的时间内实现了亚米级的定位准确度，优于现有的信道绘图技术和传统的三角测量方法。

May, 2024

本文提出了一种基于卷积自编码器的信道图辅助定位方法，结合多路径信道状态信息，通过无人监督学习构建信道图以捕捉每个无线设备的相对位置，再引入半监督学习，进一步提高了定位精度。与现有的有监督和传统无监督方法相比，所提出的方法在精度上得到了显著提高。

Aug, 2021

本文提出了一种利用基于神经网络的信道状态信息指纹技术的定位管道，通过从一个或多个不同步接入点（AP）获得的上行 CSI 测量来实现无线局域网 MIMO-OFDM 系统的室内和室外定位，达到厘米级中位距离误差的性能优化。

Sep, 2020

本文提出了一种基于孪生网络的统一体系结构，可用于监督用户设备定位和无监督信道制图。同时，该框架实现了半监督定位，模拟结果表明该模型在定位和信道制图方面表现良好。

Sep, 2019

在本文中，我们提供了一个方案，通过从另一个传输通道预测信道状态信息（CSI）值，并将多频段信息拼接在一起，从频域改进室内指纹定位的准确性。我们在 COST 2100 模拟数据和从办公场景中收集的实时正交频分复用（OFDM）WiFi 数据上测试了我们提出的方案。

Sep, 2023

在本文中，对相位失敏距离进行了彻底的理论分析，并探讨了其局限性，为设计能够学习质量图表的系统提供了指导。随后，对不同场景下的合成和真实数据进行了实验验证。

Sep, 2023

本文提出了一个包括数据收集，模式聚类，降噪，校准和轻量级一维卷积神经网络模型的端到端解决方案，并使用信号指纹技术解决复杂室内环境下通道状态信息的检测问题，实验表明该方法性能达到最佳神经网络和信道状态信息室内定位作品的 68.5％，参数极少。

May, 2022

介绍一种基于三元组采样的新型的基于自我监督机器学习技术的信道绘制方法，旨在降低信道状态信息的数据维数，并从中提取控制信道状态信息分布的基本参数，并通过与采集时间的接近度学习有意义的 CSI 样本相似度度量，同时进行降维。在商业 Massive MIMO 系统的数据上对所提出的方法进行了实验验证，并提出和评估了信道绘图过程的变化，包括部分数据集标记可用的部分监督情况。我们评估了获得的信道图与用户位置信息的相似程度。

May, 2020