该研究综述了基于人工智能 / 机器学习的直接定位在 5G 系统中的应用，重点研究了其在常规方法难以应对的挑战性场景和条件下的潜力。结合技术报告 TR38.843 的见解，我们对与直接定位过程相关的生命周期管理进行了进一步研究。我们强调了在各种具有挑战性条件下的直接定位的重要模拟结果和关键观察结果。此外，我们还讨论了解决测量报告、数据收集和模型管理的选定解决方案，并强调它们对于推进直接定位的重要性。

Nov, 2023

本文介绍了如何通过利用 mmWave 频谱和窄波束天线技术，采用基于地图的技术，以及数据融合、机器学习和协作定位等方法来实现 5G 和未来移动通信系统中厘米级精度的位置定位。

Feb, 2021

使用运动和环境传感器的基于机器学习的室内定位系统，在关注隐私的工厂环境中实现对移动实体的定位，通过多元时间序列分类进行问题建模，并比较分析不同的机器学习模型的准确性、内存使用和推理速度。结果表明，评估的所有模型均能实现超过 80％的准确性；其中，CNN-1D 表现最平衡，其次是 MLP；DT 的内存占用和推理延迟较低，表明在实际场景中有潜力进行部署。

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

通过使用射线追踪工具和系统级模拟器，研究使用深度学习技术辅助用户设备在 5G 及更高网络中的定位能力，这项技术在无线资源管理方面更为高效和简单，并为未来网络提供了更积极的移动管理机制。

Jan, 2020

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

利用卷积神经网络的人工智能技术和 5G 新无线电设备所产生的波束形态侧信息，对无线电定位技术进行改进，实现了在城市环境下对移动设备的位置估计。

Apr, 2022

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

本文探讨了在 5G NR 网络下，利用机器学习技术通过基于上行信道估计的 5G NR 指纹来精准定位用户，并表明即使应用于非常稀疏的 SRS 数据，小型全连接适度深度神经网络也可以在商用 5G 环境中实现准确的户外用户定位。

Apr, 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