本文提出了一种基于无源射频（PRF）的室内三维定位系统（PIPS），利用场景签名信号进行被动式监测，利用动态数据驱动应用系统（DDDAS）框架进行定制采样频率，通过三种集成学习策略中的各种回归方法进行培训和预测接收机位置。实验结果表明，所提出的 PIPS 具有高精度、易配置性和鲁棒性的优点。

Mar, 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

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

该研究证明了仅基于神经网络和 (Massive) MIMO 通信系统的信道状态信息的室内定位系统 (IPS) 的实用性，提供了良好的精度和无需使用额外的协议 / 信号开销来实现用户定位任务。

May, 2019

该论文提出了一种基于收到的信号强度（RSS）的基站的卷积、端到端训练的神经网络（NN）LocUNet，可在城市环境中实现用户的定位，并展示了其在现实城市环境中优于现有竞争方法的性能。

Jun, 2021

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

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