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

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

本文探讨了基于射频信号的机器学习定位系统，涵盖了架构、输入特征、机器学习方法和数据集等方面，对该领域中近 400 篇论文进行了分类和概述。

Dec, 2020

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

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

本研究论文重点介绍物联网（IoT）中的本地化技术，着重分析由 LPWAN 产生的各种误差，如何评估和解决这些误差对 IoT 的定位能力产生重大影响，并提供了详尽的指导和建议。

Apr, 2020

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

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