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

本文提出了一种基于视觉转换神经网络的新型框架VITAL，该框架可以减少智能手机异构性引起的不确定性，在提高本领域已有的最佳结果的基础上，将定位精度从41%提高到68%。同时，我们还证明了该方法的普适性，并提出了一种数据增强技术，可以集成到大多数基于深度学习的定位框架中，以提高准确性。

Feb, 2023

该论文提出了一种基于元学习的室内定位模型，以应对传统基于深度学习的定位模型的泛化性不足。新算法 TB-MAML 可在数据集有限的情况下进一步提高泛化能力，并评估了其性能。

May, 2023

本文提出了一种融合室内定位和联邦学习技术的新型嵌入式机器学习框架FedHIL，以提高设备异构环境下室内定位的准确性，同时保护用户数据隐私，在现实世界的不同室内环境和异构移动设备中进行的实验证明，FedHIL表现优于现有最先进的FL和非FL室内定位框架，在平均定位精度上比最佳FL-based室内定位框架提高了1.62倍。

Jul, 2023

CALLOC是一种新颖的框架，旨在抵抗对室内定位系统的对抗攻击和环境及设备变化所带来的误差，并通过自适应课程学习方法和轻量级的 scaled-dot product attention 神经网络在资源受限的移动设备上实现抗对抗攻击和变化的鲁棒性。实验评估表明，CALLOC在各种建筑楼层平面图、移动设备和对抗攻击场景下，相较于最先进的室内定位框架，均能实现平均误差提升至6.03倍、最差情况误差提升至4.6倍的改进。

Nov, 2023

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

利用一种数据高效的元学习算法，本文提出了一种创新的室内定位方法，解决了指纹定位在数据获取成本高和基于静态数据库估计的不准确性方面的问题。使用历史定位任务改善适应性和学习效率，在动态室内环境中采用“学习如何学习”的元学习范式。我们引入了任务加权损失函数来提高这一框架内的知识传递。全面的实验验证了该方法在有限CSI数据场景中的稳健性和优越性，平均欧几里得距离提升了23.13%。

Jan, 2024

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

FeMLoc是一个联邦元学习框架，专注于室内定位领域，通过在众多边缘设备的不同定位数据集上进行协同元训练，以及在新环境中的快速自适应，实现了较传统神经网络方法更准确、更快速的室内定位，同时大大减少了指纹数据收集和校准的工作量，具备适应新兴无线通信技术推动的大规模连接的可扩展性，还具备隐私保护的元学习特征。

May, 2024

利用无标签指纹图提升定位性能的基于深度学习的半监督学习框架在多楼宇和多楼层环境中显著改善了室内定位性能，通过提出的框架，实验结果显示了楼层坐标估计方面的显著增强，高达10.99%和8.98%，同时还凸显了框架中核心组件的重要性。

Jul, 2024