精准的室内定位技术对于安防、医疗和商业等领域具有重要的意义。 在复杂多变的室内环境中，实现同时满足精准与鲁棒的定位能力、低成本的部署和运维、简单易行的定位方式，具有极大挑战。 研究团队在室内多模态室内定位和定位信号地图方面进行了深入探索，提出了多模态融合定位算法与低成本室内定位地图重建技术。 随着5G逐渐应用和深度学习技术的发展，研究团队结合深度学习技术，基于移动大数据进行融合5G的室内定位技术探索。 针对室内信号难于采集的问题，研究团队基于无人车、无人机平台，设计低成本的室内多模态定位地图构建算法， 降低定位系统实施与维护的工作量。
1.剑桥大学PoseNet视觉定位项目（http://mi.eng.cam.ac.uk/projects/relocalisation/）
2.微软研究院EZ Wi-Fi室内定位（https://www.microsoft.com/en-us/research/project/ez-localization/）
3.谷歌VPS视觉定位项目简介（https://www.ccf.org.cn/c/2017-05-23/595980.shtml）

商业地产场景中存在大量视觉信息，如店铺招牌，海报，张贴画等等。这些随处可见的视觉信息为室内定位提供了丰富的特征。 然而，许多基于视觉的定位研究存在操作复杂，定位精度低的缺点，阻碍了视觉定位的应用。 针对以上问题，本团队基于场地中已有的视觉信息，结合传感器与场地结构约束，进行易操作和高精度定位。 在商场和美食广场的大规模实验结果显示，所研究方法具有较高的精度。

	LLM‐Loc: Bootstrap Single-Image Indoor Localization with Large Language Model Qun Niu, Tao Chen, Xing Zhang, Yifan Wang, Ning Liu* 简介： 针对传统视觉定位方法需大量现场图像采集、易受环境变化影响、难以泛化的问题， 本文提出了一种结合大语言模型（LLM）、场景文本与轮廓线段的单图像室内定位方法——LLM-Loc。 该方法摆脱了对视觉纹理的依赖，基于文本语义和几何轮廓完成粗到细的两阶段定位。 首先，利用从地图服务获取的空间先验和OCR结果，结合LLM强大的推理能力进行鲁棒的区域识别； 然后，提出基于多用户图像协作的轮廓精细化算法，利用同一目标在不同视角下的透视一致性，通过单应性约束重建缺失轮廓点，进而实现轮廓匹配与相似度排名。 结合传感器方向与地图约束，LLM-Loc在不依赖密集采集的前提下实现了精细的用户位置估计。 实验表明，该方法在多个真实场景中（如商场、美食广场、办公室、公共数据集）均显著优于现有方法，定位精度提升达39%以上，并展示出良好的鲁棒性、可迁移性和部署效率。 Expert Systems with Applications (ESWA), 2025  (中科院1区) [论文]
	NeRF‐VLD: Efficient Visual Landmark Database Construction via Scene Constraints Tao Chen, Qun Niu*, Ning Liu 简介： 针对传统视觉地标数据库构建中现场调查繁琐、成本高昂的问题，本文提出了一种全新的方法——NeRF-VLD。 该方法利用神经辐射场（NeRF）技术，通过仅需少量图像数据便可生成大量高质量的地标图像，从而显著降低了部署成本与采集工作量。 为进一步提升图像生成效果，本文设计了两种场景约束模块：一方面借助结构化运动恢复（SfM）获得的稀疏深度图作为几何约束； 另一方面对无深度信息区域实施场景正则化，限制摄像机平面附近采样点的体积密度，成功缓解了鬼影效应。 实验结果显示，NeRF-VLD在地标识别与定位精度上可与真实图像数据库相媲美， 同时图像采集量减少高达97%，为基于视觉的应用提供了一种高效且低成本的数据库构建方案。 2025 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP), 2025  (CCF-B) [论文]
	Resource efficient and Automated Image-based Indoor Localization Qun Niu, Mingkuan Li, Suining He, Chengying Gao*, S.-H. Gary Chan and Xiaonan Luo 简介： 针对视觉定位中存在资源消耗大、用户操作复杂和定位精度易受传感器噪声影响的问题， 本文提出一种自动的拍照定位技术。通过分析照片匹配中特征点的分布情况，自动判断匹配是否成功。 通过特征选择得到有效特征集，减少存储和匹配消耗。最后结合室内电子地图得到精确位置。 ACM Transactions on Sensor Networks (TOSN), 2019  (CCF-B) [详细介绍] [论文]
	SweepLoc: Automatic Video-based Indoor Localization by Camera Sweeping Mingkuan Li, Ning Liu*, Qun Niu, Chang Liu, S.-H. Gary Chan, Chengying Gao 简介： 视觉定位中存在用户操作复杂，受环境影响导致定位精度低的问题， 本文提出通过拍摄小角度旋转视频进行定位。为加速地标提取，本文利用帧间时间连续性快速跟踪地标。 为了降低地标识别误差，本文结合场地空间一致性过滤和修正识别错误的地标。 最终，通过迭代优化降低传感器误差，得到估计的位置。 Interactive, Mobile, Wearable and Ubiquitous Technologies (IMWUT/UbiComp), 2018  (CCF-A) [详细介绍] [论文]

地球磁场由地球产生，在室内场景中普遍存在。加之室内存在较多的铁磁性物体干扰，增加了地磁强度的扰动，使得地磁定位成为可能。 然后，地磁信号空间区分度较低，铁磁性干扰源分布较为稀疏，导致地磁位置特征区分度不足，进而降低定位精度。
针对以上问题，项目组研究了基于地磁序列的精准定位算法。分别研究了基于地磁序列时空表征的定位算法和多尺度注意力引导的地磁序列定位算法。 项目组在实验室和地下停车场中进行了大量实验，证明了提出算法在测试场景中的有效性。

	Spatio-temporal Constrained Geomagnetic Indoor Localization with Arbitrary Walking Speed Ning Liu, Gezhi Peng, Hua-Bao Ling, Qun Niu, and Tao He* 简介： 针对于不同的行走速度导致同一路径的地磁序列存在异质性的问题，提出了一个速度自适应的地磁序列重构算法； 针对室内定位在长地磁序列下的高响应时间问题，设计了一个自注意力结构来有效地提取初始位置估计的时间特征； 进一步应用基于编码器-解码器策略，利用空间上下文信息进行连续定位。 IEEE Internet of Things Journal (IoT), 2025  (中科院1区) [论文]
	GC-Loc: A Graph Attention Based Framework for Collaborative Indoor Localization Using Infrastructure-free Signals Tao He, Qun Niu and Ning Liu 简介： Interactive, Mobile, Wearable and Ubiquitous Technologies (UbiComp), 2023  (CCF-A) [论文]
	Efficient Indoor Localization with Multiple Consecutive Geomagnetic Sequences Hui Zhuang, Tao He, Qun Niu and Ning Liu* 简介： 本文针对连续定位场景，提出了一种高效、准确的室内定位方法，它首先利用短地磁序列作为输入， 避免长序列带来定位响应时间长的问题，并提出了一种有效的单一位置估计模型，利用改进的transformer来估计多个独立短序列对应的位置。 同时，注意到连续定位过程中的时间依赖性和空间一致性约束，本文进一步提出了一种联合位置估计模型， 利用连续短序列之间的相关性，对连续的定位结果进行约束，从而实现多个短序列的更高准确度的位置估计。 International Conference on Computer Communications and Networks (ICCCN, 2022)  (CCF-C) [论文]
	MAIL: Multi-Scale Attention-Guided Indoor Localization Using Geomagnetic Sequences Qun Niu, Tao He, Ning Liu, Suining He, Xiaonan Luo, Fan Zhou 简介： 针对室内地磁扰动尺度多样性的问题，研究了基于尺度的地磁时序特征提取算法； 针对各尺度时序特征对位置特征贡献冷热不均的问题，设计了注意力权值生成模型，自适应的估计权值； 在权值引导下，进行多尺度地磁特征的构造与定位。 Interactive, Mobile, Wearable and Ubiquitous Technologies (IMWUT/UbiComp), 2020  (CCF-A) [论文]
	Indoor Localization with Spatial and Temporal Representations of Signal Sequences Tao He, Qun Niu, Suining He and Ning Liu 简介： 针对不同的室内场景，不同维度下的定位信号特征往往有着不同的定位效果， 为了进一步提高定位精度并实现对多场景的适应性， 本文提出了一种基于序列信号不同维度下（时间、空间维度）融合特征的定位算法——ST-Loc。 该方法将序列信号转化为不同维度下的数据表示，并分别应用特定的网络进行特征提取， 基于多维度下的融合特征实现精准的室内定位。 IEEE Global Communications Conference (GLOBECOM), 2019  (CCF-C) [论文]

Wi-Fi路由器在室内场景中大量部署，基于Wi-Fi指纹的定位算法在学术界和产业界皆获得了广泛关注。 然而，由于信号多径效应及信号衰减，现有基于Wi-Fi指纹的定位方法在室内场景中难以取得稳定的定位精度。
针对以上问题，项目组分别研究了结合计步器的Wi-Fi指纹定位算法和距离约束的定位算法，同时考虑设备和用户差异并进行精准定位。 大量实验结果证明了所提出算法的有效性。

	Maxlifd: Joint Maximum Likelihood Localization Fusing Fingerprints and Mutual Distances Suining He, S.-H. Gary Chan, Lei Yu and Ning Liu* 简介： 基于指纹的室内定位算法往往可以通过融合指纹和指纹之间的相互距离信息来提升定位精度， 考虑到指纹和距离信息的测量本质上随机， 本文提出了一种利用极大似然融合指纹和随机分布的距离信息的精确室内定位框架——Maxlifd。 同时考虑指纹特征和相互距离信息，并通过一种创新的优化算法，Maxlifd可以实现较低的定位误差。 IEEE Transactions on Mobile Computing (TMC), 2019  (CCF-A) [论文]
	SLAC: Calibration-Free Pedometer-Fingerprint Fusion for Indoor Localization Suining He, S.-H. Gary Chan, Lei Yu and Ning Liu* 简介： 随着计步器等运动传感器的普及，运动信息越来越多的被融合到一些基于指纹的定位算法中， 但是却面临着用户、设备异构性问题。针对这一问题， 本文提出了一个免标定、融合计步器和指纹的室内定位系统——SLAC。 SLAC解决了不同传感器、定位信号、用户的标定问题，实现对用户、设备异构的免标定， 同时在此基础上实现高效精准的定位。 IEEE Transactions on Mobile Computing (TMC), 2018  (CCF-A) [论文]

针对单一信号在复杂场景中存在特征不足和定位误差大的问题，项目组研究了基于特征融合的定位算法。 通过循环神经网络从瞬时信号及序列信号中提取信号特征，基于集成学习融合多模型预测结果，有效提升定位精度。

DeepNavi: A Deep Signal-Fusion Framework for Accurate and Applicable Indoor Navigation Qun Niu, Ning Liu*, Jianjun Huang, Yangze Luo, Suining He, Tao He, S.-H. Chan and Xiaonan Luo 简介： 一个通用的基于特征融合和深度学习的室内导航系统，DeepNavi。 DeepNavi具有广泛的适用性，能够融合不同的互补的信号以适应不同的场地，也能够适应不同的导航模式 （既能处理瞬时输入也能处理序列输入），进行准确的定位导航。 Interactive, Mobile, Wearable and Ubiquitous Technologies (IMWUT/UbiComp), 2019  (CCF-A) [论文]

在长期部署中，室内路由器由于功率变化，遮挡等因素影响，导致Wi-Fi指纹发生变化，降低定位精度。由此引发定位指纹数据库的更新耗时费力。 项目组将离散的指纹转换为信号强度热力图，基于稀疏采集的指纹构造低分辨率热力图，基于超分辨率重建的思路设计高、低分辨率指纹数据库映射模型， 通过稀疏采集的指纹更新指纹数据库，降低指纹数据库的维护成本。

	Fast Radio Map Construction with Domain Disentangled Learning for Wireless Localization Weina Jiang, Lin Shi, Qun Niu and Ning Liu* 简介： 在无线信号指纹定位中，高质量的信号地图是精准定位服务的基础保障。 然后，在新场地中构建稠密的信号地图的时间成本高昂，加之信号地图的时变性导致长期维护成本较高，严重制约了广泛的产业化应用。 针对于此，本文提出了基于对抗学习的无线信号地图快速构建方法--RMDA。 该方法将现有无线信号地图由稀疏到稠密的映射关系迁移到新场景中，从而实现新场景信号地图的快速构建。 Interactive, Mobile, Wearable and Ubiquitous Technologies (UbiComp), 2023  (CCF-A) [论文]
	Adaptive Radio Map Reconstruction via Adversarial Wireless Fingerprint Learning Weina Jiang, Qun Niu, Suining He and Ning Liu* 简介： 基于Wi-Fi指纹的室内定位精度依赖于指纹地图的分辨率与准确率，过期的指纹地图会造成定位精度的显著下降。 然而，人工进行稠密指纹地图更新耗时耗力，提高了产业化应用的门槛。 因此，本文提出了基于生成对抗网络的指纹地图稀疏更新方法--RMRec。 该方法采用对抗学习机制提高生成地图对真实信号的拟合精度，从而在减少75%指纹更新采样成本的情况下，有效提升了定位精度。 Neural Computing and Applications (NCA), 2023  (中科院 2区) [论文]
	RecNet: A Convolutional Network for Efficient Radiomap Reconstruction Q. Niu, Y. Nie, S. He, N. Liu and X. Luo 简介： 基于Wi-Fi指纹的室内定位技术， 由于Wi-Fi信号强度会受路由器的功率调节或室内环境变化等因素影响导致的指纹变化， 指纹地图的变化会大幅度影响室内定位精度与稳定性。 针对于此，本文提出用于细粒度指纹地图重建的神经网络RecNet， 它借鉴了图像超分辨率的思路（细粒度指纹地图和粗粒度指纹地图可以分别对应高分辨率和低分辨率的图像表示）， 该网络只需要少量的新指纹数据作为输入进行指纹地图更新。 IEEE International Conference on Communications (ICC), 2018  (CCF-C) [论文]

• 联系邮箱: sysuimsl@126.com
• 地址: 中国 广州, 中山大学, 计算机学院, A409室