Oct, 2022

基于强化学习信息融合的混合室内定位

PDF
TL;DR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。
smart citiesbluetooth low energyreinforcement learningangle of arrivalinformation fusion
发现论文，激发创造
  • 利用机器学习技术改进的物联网应用的室内定位

    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

  • 使用深度学习增强特征增益的梯度提升室内定位

    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

  • 基于 RFID 的混合无线数据融合室内定位

    通过使用发展的射频识别（RFID）追踪装置和多种物联网无线技术，本文提出了一种基于分区的混合室内定位方法。这种混合方法通过线性位置估计从不同的物联网无线技术获得的实验结果验证了 RFID 追踪装置和蓝牙、WiFi 和 ZigBee 技术的基于 RSSI 的定位结果。

    Jul, 2023

  • 深度强化学习（DRL）：无监督无线定位的另一种视角

    本文提出了一种基于深度强化学习的无监督无线定位方法，通过建模连续的无线定位过程为马尔可夫决策过程并将其纳入深度强化学习框架中，以克服使用未标记数据进行定位时奖励的获取难题，并使用 RSS 测量将 DRL 与代理位置相结合构建 DRL 输入，为 IoT 数据的空间化提供了新思路。

    Apr, 2020

  • 室内定位系统和技术综述

    本文从 WiFi、RFID、UWB 和蓝牙等技术出发，评估和总结当今室内定位技术的优点和挑战，并强调了该技术在 IoT 中的重要性。

    Sep, 2017

  • 用于智能手机不变室内定位的多头注意力神经网络

    本研究提出了一种基于多头注意力神经网络的室内定位框架，能够有效应对智能手机设备异构性导致的 RSSI 信号特性差异问题，并在多样化的室内环境中，相比于现有技术，提升了高达 35% 的定位准确性。

    May, 2022

  • 室内定位系统：传感器读数的智能融合

    通过结合多种最先进的传感器的数据，我们提出了一个多功能的测量系统，对其进行比较和融合，展示了单一数据融合技术在应对情境转换时的可行性和鲁棒性。特别是，在结合射频（RF）定位技术和惯性测量单元（IMU）时，这种方法在解决定位问题上具有极高的鲁棒性和可靠性。

    May, 2021

  • 室内 GNN：基于图神经网络的 WiFiRSSI 室内定位方法

    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

  • 利用强化学习进行 5G 网络的合作式定位

    本研究旨在通过使用强化学习技术选择最精确和合适的 5G 信号范围测量技术，为自主车辆提供准确的协作定位，从而降低误差。

    Aug, 2021

  • CollabLoc: 基于协同信息融合的隐私保护式多模态定位

    本文论述了一种基于 Wi-Fi RSSI、移动通信信号 RSSI、声音和光线水平的隐私保护多模式跨建筑协作定位平台，能实现室内房间级别定位，并对其在定位精度、隐私、最佳参数及其他方面的性能进行了分析。

    Sep, 2017