程序员石磊

视觉-惯性-声学（VIA）传感器, 自主导航, 水下车辆, 定位精度。

Moat系统通过分布式观察设备（observers）和集中处理枢纽（hub），嗅探并分析Wi-Fi信号的物理特性（RSSI与CSI），从而判断设备位置。无需设备合作：即使目标设备未连接家庭网络或对抗性行为，也可被检测。自适应性：支持周期性更新模型以适应家庭环境的变化。便捷安装：无需复杂的设置，用户仅需在家中布置观察设备即可。

室内论文总结精华

室内定位

本研究主要解决的问题是在低照明条件下，视觉里程计（Visual Odometry, VO）性能下降导致定位系统的准确性和可靠性显著降低。传统方法仅依赖于视觉特征，在光线不足的情况下会因特征检测和跟踪能力的减弱而受到影响。该研究旨在通过整合点线特征来增强视觉惯性里程计（Visual Inertial Odometry，VIO），以提升在昏暗环境下的鲁棒性能。

如何通过自监督方法有效地在没有标签数据的情况下学习时间序列数据的表示？

城市移动定位中全球导航卫星系统（GNSS）信号接收面临的挑战，特别是在非视距（NLOS）环境下。如何通过视觉惯性导航系统(VINS)改善这种环境下的定位精度，并解决多路径误差、信号阻塞和漂移现象等问题。

在缺乏或不可靠全球导航卫星系统（GNSS）信号的环境中，如仓库、室内区域和密集的城市空间，在第五代（5G）毫米波（mmWave）定位系统的兴趣正在增加。这项研究旨在通过将5G mmWave系统与电子扫描雷达（ESR）的姿态校正相结合来提高定位精度，从而改善在GNSS中止期间惯性导航系统（INS）的性能。本文深入探讨了在提升双目视觉-惯性初始化技术过程中，提高翻译准确性的问题。该技术结合立体视觉和惯性传感器的数据来实现机器人与自主系统的精确定位与制图任务，从而极大地提升了导航的效率。