从户外移动到现代城市的室内生活方式越来越越来越大。大型购物中心，室内运动综合体，工厂和仓库的出现正在加速这种趋势。在这种环境中，室内本地化成为必要的服务之一，并且要部署的室内定位系统应该足够可扩展，以覆盖这些室内设施的预期扩展。室内定位最经济和实用的方法之一是Wi-Fi指纹识别，它使用移动设备（例如智能手机）利用广泛部署的Wi-Fi网络，而无需任何修改现有基础架构。传统的Wi-Fi指纹窗格依赖于复杂的数据预/后处理和耗时的手动参数调整。在本文中，我们使用Wi-Fi指纹识别基于经常性神经网络（RNN）提出了基于经常性神经网络（RNN）的分层多建筑和多层室内定位，无需复杂的数据预/后处理并且参数调谐较少。所提出的方案中的RNN以一般到特定的一个（例如，建筑物 - >楼层 - >位置）以顺序方式估计位置，以利用多建筑物和多层环境中定位的分层性质。 ujiindoorloc数据集的实验结果表明，所提出的方案分别估计建筑物和地板，分别具有100％和95.24％的精度，并提供了8.62米的三维定位误差，这优于现有的基于神经网络的基于深度基于神经网络的方案。

基于机器学习的室内定位引起了学院和行业的越来越多的关注，因为可以从参考数据中提取有意义的信息。许多研究人员正在使用受监督，半监督和无监督的机器学习模型来减少定位错误并为最终用户提供可靠的解决方案。在本文中，我们通过结合卷积神经网络（CNN），长期记忆（LSTM）和生成对抗网络（GAN）来提出一种新的体系结构，以增加训练数据并提高位置准确性。在17个公共数据集中对受监督和无监督模型的建议组合进行了测试，从而对其性能进行了广泛的分析。结果，超过70％的定位误差已减少。

近年来，WiFi成为在室内找到一个人或设备的主要信息来源。将RSSI值作为具有已知位置的参考测量值（称为WiFi指纹打印），通常用于文献中出现的各种定位方法和算法中。但是，测量给定的WiFi指纹组之间的空间距离受到选择为地理空间距离建模的信号距离函数的选择。在这项研究中，作者提出了对机器学习的利用，以改善指纹之间的地理空间距离的估计。这项研究检查了从13个不同的开放数据集收集的数据，以提供广泛的表示，目的是用于任何室内环境中的通用模型。提出的新方法通过通过功能选择过程来检查一组常用的信号距离指标来提取数据特征，该过程包括特征分析和遗传算法。为了证明该研究的输出是独立的，所有模型均在培训和验证阶段在先前排除的数据集上进行了测试。最后，使用各种评估指标比较了各种机器学习算法，包括能够将测试床扩展到现实世界未经请求的数据集的能力。

Industrial Internet of Things (IoT) systems increasingly rely on wireless communication standards. In a common industrial scenario, indoor wireless IoT devices communicate with access points to deliver data collected from industrial sensors, robots and factory machines. Due to static or quasi-static locations of IoT devices and access points, historical observations of IoT device channel conditions provide a possibility to precisely identify the device without observing its traditional identifiers (e.g., MAC or IP address). Such device identification methods based on wireless fingerprinting gained increased attention lately as an additional cyber-security mechanism for critical IoT infrastructures. In this paper, we perform a systematic study of a large class of machine learning algorithms for device identification using wireless fingerprints for the most popular cellular and Wi-Fi IoT technologies. We design, implement, deploy, collect relevant data sets, train and test a multitude of machine learning algorithms, as a part of the complete end-to-end solution design for device identification via wireless fingerprinting. The proposed solution is currently being deployed in a real-world industrial IoT environment as part of H2020 project COLLABS.

鉴于无线频谱的有限性和对无线通信最近的技术突破产生的频谱使用不断增加的需求，干扰问题仍在继续持续存在。尽管最近解决干涉问题的进步，但干扰仍然呈现出有效使用频谱的挑战。这部分是由于Wi-Fi的无许可和管理共享乐队使用的升高，长期演进（LTE）未许可（LTE-U），LTE许可辅助访问（LAA），5G NR等机会主义频谱访问解决方案。因此，需要对干扰稳健的有效频谱使用方案的需求从未如此重要。在过去，通过使用避免技术以及非AI缓解方法（例如，自适应滤波器）来解决问题的大多数解决方案。非AI技术的关键缺陷是需要提取或开发信号特征的域专业知识，例如CycrationArity，带宽和干扰信号的调制。最近，研究人员已成功探索了AI / ML的物理（PHY）层技术，尤其是深度学习，可减少或补偿干扰信号，而不是简单地避免它。 ML基于ML的方法的潜在思想是学习来自数据的干扰或干扰特性，从而使需要对抑制干扰的域专业知识进行侧联。在本文中，我们审查了广泛的技术，这些技术已经深入了解抑制干扰。我们为干扰抑制中许多不同类型的深度学习技术提供比较和指导。此外，我们突出了在干扰抑制中成功采用深度学习的挑战和潜在的未来研究方向。

在室内和GPS拒绝环境中的无线移动设备或机器人的本地化是一个难题，特别是在传统摄像机和基于LIDAR的替代感测和本地化模式可能失败的动态场景中。我们提出了一种用于估计移动机器人的位置与在环境中部署的静态无线传感器节点（WSN）相关的方法。该方法采用新的粒子滤波器，其使用在到达方向（DOA）估计的高斯概率与移动机器人的移动模型结合使用的高斯概率来更新其权重。通过广泛的模拟和公共现实世界测量数据集，在准确性和计算效率方面评估和验证所提出的方法，与标准的最先进的本地化方法相比。结果显示了通过高计算效率平衡的高仪表级定位精度，使其能够在线使用，而无需为基于典型指纹的定位算法中的专用离线阶段使用。

第五代（5G）网络和超越设想巨大的东西互联网（物联网）推出，以支持延长现实（XR），增强/虚拟现实（AR / VR），工业自动化，自主驾驶和智能所有带来的破坏性应用一起占用射频（RF）频谱的大规模和多样化的IOT设备。随着频谱嘎嘎和吞吐量挑战，这种大规模的无线设备暴露了前所未有的威胁表面。 RF指纹识别是预约的作为候选技术，可以与加密和零信任安全措施相结合，以确保无线网络中的数据隐私，机密性和完整性。在未来的通信网络中，在这项工作中，在未来的通信网络中的相关性，我们对RF指纹识别方法进行了全面的调查，从传统观点到最近的基于深度学习（DL）的算法。现有的调查大多专注于无线指纹方法的受限制呈现，然而，许多方面仍然是不可能的。然而，在这项工作中，我们通过解决信号智能（SIGINT），应用程序，相关DL算法，RF指纹技术的系统文献综述来缓解这一点，跨越过去二十年的RF指纹技术的系统文献综述，对数据集和潜在研究途径的讨论 - 必须以百科全书的方式阐明读者的必要条件。

无线环境地图（REM）后可用于增强各种通信和网络代理的性能的有力工具。然而，生成的REM是费力的任务，尤其是在复杂的3维（3D）环境，如在室内。为了解决这个问题，我们提出了自主发电室内的三维空间的细粒度的REM的系统。在该系统中，多个小室内无人飞行器（UAV）依次用于信号质量指示符的3D采样。所收集的读数是流线型为其训练机器学习（ML）系统，经过训练之后，该系统能够预测在未知的3D位置信号的质量。该系统能够自动和自主REM生成，并可以被直接部署在新的环境。此外，系统支持REM采样而不自干扰和是与技术无关，只要REM采样接收机设有合适的尺寸和重量要由无人机携带。在演示中，我们实例使用两种无人机系统设计和显示其来访72点的航点和收集数以千计的Wi-Fi数据样本的能力。我们的研究结果还包括ML系统的一个实例用于预测在不被无人机访问位置上的已知的Wi-Fi接入点（AP）的接收信号强度（RSS）。

本文提出了一个多功能的跨学科框架，为个性化的环境辅助生活做出了四项科学贡献，其特定重点是满足智能生活环境未来各种衰老人群的不同和动态需求。首先，它提出了一种基于概率推理的数学方法，以对这些环境中多个用户的用户多样性产生的任何活动建模所有可能的用户交互形式。其次，它提出了一种系统，该系统将这种方法与机器学习方法一起使用，以建模单个用户配置文件和特定用户的用户交互，以检测每个特定用户的动态室内位置。第三，为了满足开发高度准确的室内本地化系统以增加信任，依赖和无缝的用户接受，该框架引入了一种新颖的方法，其中两种增强方法梯度增强和Adaboost算法都集成并用于基于决策树的基于决策树学习模型以执行室内定位。第四，该框架引入了两个新型功能，以在检测每个用户的特定地点的位置以及跟踪特定用户是否位于基于多层室内的特定空间区域内还是外部，以提供室内本地化的语义上下文。环境。这些新型框架的新功能是在与本地化相关的大数据数据集中测试的，这些数据集从18个不同的用户收集的数据集中，这些用户在3个建筑物中导航，该建筑物由5层和254个室内空间区域组成。结果表明，与对普通用户建模的传统方法相比，对每个特定用户建模的个性化AAL的这种室内定位方法始终达到更高的准确性。

当前的融合定位系统主要基于过滤算法，例如卡尔曼过滤或粒子过滤。但是，实际应用方案的系统复杂性通常很高，例如行人惯性导航系统中的噪声建模或指纹匹配和定位算法中的环境噪声建模。为了解决这个问题，本文提出了一个基于深度学习的融合定位系统，并提出了一种转移学习策略，以改善具有不同分布的样本的神经网络模型的性能。结果表明，在整个地板方案中，融合网络的平均定位精度为0.506米。转移学习的实验结果表明，惯性导航定位步骤大小和不同行人的旋转角的估计精度可以平均提高53.3％，可以将不同设备的蓝牙定位精度提高33.4％，并且融合可以提高。可以提高31.6％。

全球导航卫星系统通常在城市环境中表现较差，在城市环境中，设备和卫星之间的视线条件的可能性很低，因此需要替代的定位方法才能良好准确。我们提出了Locunet：用于本地化任务的卷积，端到端训练的神经网络，能够从少数基站（BSS）的接收信号强度（RSS）中估算用户的位置。在提出的方法中，要本地化的用户只需将测量的RSS报告给可能位于云中的中央处理单元。使用BSS和RSS测量值的Pathloss无线电图的估计，Locunet可以以最先进的精度定位用户，并在无线电图估计中享有高度鲁棒性。所提出的方法不需要对新环境进行预采样，并且适用于实时应用。此外，提供了两个新颖的数据集，可以在现实的城市环境中对RSS和TOA方法进行数值评估，并为研究社区公开提供。通过使用这些数据集，我们还提供了密集的城市场景中最先进的RSS和基于TOA的方法的公平比较，并以数值显示Locunet优于所有比较方法。

深神经网络（DNNS）是在存在多路径和非线视线错误的情况下定位全局导航卫星系统（GNSS）的有前途的工具，这是由于它们使用数据建模复杂错误的能力。但是，为GNSS定位开发DNN提出了各种挑战，例如1）由于卫星可见性的变化和，在全球范围内测量和位置值的差异很大而导致的数值和位置值差异很大，数量和位置值差。 3）过度适合可用数据。在这项工作中，我们解决了上述挑战，并通过将基于DNN的校正应用于初始位置猜测，提出了GNSS定位的方法。我们的DNN学会了使用伪残留物和卫星视线向量作为输入来输出位置校正。这些输入和输出值的有限变化可改善我们DNN的数值条件。我们设计了DNN体系结构，以结合可用GNSS测量的信息，这些信息通过利用基于设定的深度学习方法的最新进步，在数量和顺序上不同。此外，我们提出了一种数据增强策略，用于通过随机将初始位置猜测随机减少DNN中的过度拟合。我们首先执行模拟，并在应用基于DNN的校正时显示出初始定位误差的改进。此后，我们证明我们的方法在现实世界数据上的表现优于WLS基线。我们的实施可在github.com/stanford-navlab/deep_gnss上获得。

低成本毫米波（MMWAVE）通信和雷达设备的商业可用性开始提高消费市场中这种技术的渗透，为第五代（5G）的大规模和致密的部署铺平了道路（5G） - 而且以及6G网络。同时，普遍存在MMWAVE访问将使设备定位和无设备的感测，以前所未有的精度，特别是对于Sub-6 GHz商业级设备。本文使用MMWAVE通信和雷达设备在基于设备的定位和无设备感应中进行了现有技术的调查，重点是室内部署。我们首先概述关于MMWAVE信号传播和系统设计的关键概念。然后，我们提供了MMWaves启用的本地化和感应方法和算法的详细说明。我们考虑了在我们的分析中的几个方面，包括每个工作的主要目标，技术和性能，每个研究是否达到了一定程度的实现，并且该硬件平台用于此目的。我们通过讨论消费者级设备的更好算法，密集部署的数据融合方法以及机器学习方法的受过教育应用是有前途，相关和及时的研究方向的结论。

Visible light positioning has the potential to yield sub-centimeter accuracy in indoor environments, yet conventional received signal strength (RSS)-based localization algorithms cannot achieve this because their performance degrades from optical multipath reflection. However, this part of the optical received signal is deterministic due to the often static and predictable nature of the optical wireless channel. In this paper, the performance of optical channel impulse response (OCIR)-based localization is studied using an artificial neural network (ANN) to map embedded features of the OCIR to the user equipment's location. Numerical results show that OCIR-based localization outperforms conventional RSS techniques by two orders of magnitude using only two photodetectors as anchor points. The ANN technique can take advantage of multipath features in a wide range of scenarios, from using only the DC value to relying on high-resolution time sampling that can result in sub-centimeter accuracy.

毫米波（MMWAVE）定位算法利用MMWAVE信号的准光传播，从而在接收器处产生稀疏角谱。基于角度的定位的几何方法通常需要了解环境的地图和接入点的位置。因此，若干作品求助于自动学习，以便从接收的MMWAVE信号的特性推断设备的位置。但是，为这些模型收集培训数据是一个重大负担。在这项工作中，我们提出了一个浅色神经网络模型，以便在室内本地化MMWAVE设备。该模型需要比文献中提出的更少的重量。因此，可以在资源受限的硬件中实现，并且需要更少的培训样本来汇聚。我们还建议通过从基于几何形状的MMWAVE定位算法检索（固有的不完美）位置估计来缓解培训数据收集工作。即使在这种情况下，我们的结果表明，所提出的神经网络也表现出与最先进的算法一样好或更好。

我们提出DIY-IPS - 自己动手 - 室内定位系统，这是一个开源实时室内定位移动应用程序。DIY-IPS通过使用可用WiFi接入点的双波段RSSI指纹识别来检测用户的室内位置。该应用程序可以无需额外的基础设施费用即可实时检测用户的室内位置。我们发布了我们的应用程序作为开源，以节省其他研究人员的时间来重新创建它。该应用程序使研究人员/用户能够（1）使用地面真相标签收集室内定位数据集，（2）以更高的准确性或其他研究目的自定义应用程序（3）通过用地面真相实时测试测试修改方法的准确性。我们进行了初步实验，以证明应用程序的有效性。

在本文中，我们介绍了一种生成的对抗性网络（GaN）机器学习模型，用于在空间域中插入不规则分布的测量，以构造平滑的射频图（RFMAP），然后使用深神经网络进行定位。在空间，时间和频域中监控无线频谱将成为促进超出-5G和6G通信技术的动态频谱访问（DSA）的关键特性。本地化，无线信号检测和频谱策略制作是分布式频谱感测的几个应用程序将发挥重要作用。无线发射器的检测和定位是在大谱和空间区域中非常具有挑战性的任务。为了构建平滑的RFMAP数据库，需要大量测量，这可能非常昂贵且耗时。一种帮助实现这些系统的一种方法是在给定区域中收集有限的局部测量，然后将测量值插入以构造数据库。文献中的当前方法采用信道建模来构建射频图，其缺乏用于精确定位的粒度，而我们所提出的方法重建了新的广义RFMAP。将本地化结果与传统信道模型进行了呈现和比较。

Wireless Sensor Network (WSN) applications reshape the trend of warehouse monitoring systems allowing them to track and locate massive numbers of logistic entities in real-time. To support the tasks, classic Radio Frequency (RF)-based localization approaches (e.g. triangulation and trilateration) confront challenges due to multi-path fading and signal loss in noisy warehouse environment. In this paper, we investigate machine learning methods using a new grid-based WSN platform called Sensor Floor that can overcome the issues. Sensor Floor consists of 345 nodes installed across the floor of our logistic research hall with dual-band RF and Inertial Measurement Unit (IMU) sensors. Our goal is to localize all logistic entities, for this study we use a mobile robot. We record distributed sensing measurements of Received Signal Strength Indicator (RSSI) and IMU values as the dataset and position tracking from Vicon system as the ground truth. The asynchronous collected data is pre-processed and trained using Random Forest and Convolutional Neural Network (CNN). The CNN model with regularization outperforms the Random Forest in terms of localization accuracy with aproximate 15 cm. Moreover, the CNN architecture can be configured flexibly depending on the scenario in the warehouse. The hardware, software and the CNN architecture of the Sensor Floor are open-source under https://github.com/FLW-TUDO/sensorfloor.

Efficient localization plays a vital role in many modern applications of Unmanned Ground Vehicles (UGV) and Unmanned aerial vehicles (UAVs), which would contribute to improved control, safety, power economy, etc. The ubiquitous 5G NR (New Radio) cellular network will provide new opportunities for enhancing localization of UAVs and UGVs. In this paper, we review the radio frequency (RF) based approaches for localization. We review the RF features that can be utilized for localization and investigate the current methods suitable for Unmanned vehicles under two general categories: range-based and fingerprinting. The existing state-of-the-art literature on RF-based localization for both UAVs and UGVs is examined, and the envisioned 5G NR for localization enhancement, and the future research direction are explored.

从物理层和粗粒度接收信号强度指示符（RSSI）测量的细粒度通道状态信息（CSI）互补，中间粒度的空间光束属性（例如，光束SNR）可在毫米波（ MMWAVE）在强制波束训练阶段的频带可以重新估算Wi-Fi传感应用。在本文中，我们提出了一种用于Wi-Fi的多频带Wi-Fi融合方法，该方法是在粒度的60GHz处，从Sub-6 GHz和中粒梁SNR中的细粒度CSI的特征进行分层熔化的特征匹配框架。通过以不同的粒度水平与CSI和光束SNR配对的两个特征映射来实现粒度匹配，并将所有配对特征映射到具有可读权重的融合特征映射中。为了进一步解决有限标记的培训数据问题，我们提出了一种基于AutoEncoder的多频带Wi-Fi融合网络，可以以无监督的方式预先培训。一旦预先培训了基于AutoEncoder的融合网络，我们将通过微调融合块来分离解码器并将多任务传感头附加到融合特征映射并从头开始重新培训多任务头。通过内部实验Wi-Fi传感数据集进行多频带Wi-Fi融合框架，跨越三个任务：1）姿势识别; 2）占用感应;和3）室内本地化。与四种基线方法（即，仅CSI，仅限CSIS SNR，输入融合和特征融合）进行比较演示了粒度匹配，提高了多任务传感性能。定量性能被评估为标记培训数据，潜在空间维度和微调学习率的数量的函数。