本研究提出了一种名为WMINet的移动机器人定位方法，旨在解决卫星信号有限或光照不良情况下的定位漂移问题。该方法结合轮子安装和周期性轨迹驱动，显著提高了定位精度，提升幅度达66%。此技术可在复杂环境中实现无缝导航，为短时间内的纯惯性定位提供了解决方案。

本文介绍了多种基于深度学习和传感器融合的地图推断与定位方法，旨在提升自动驾驶中的地图精度和安全性。研究涵盖了稠密建图和语义地图学习等技术，实验结果表明新方法在多个数据集上优于传统技术。

本研究提出了“VPR-Bench”框架，用于评估视觉地点识别技术，涵盖12个数据集和10种技术。探讨了不同评估指标的互补性，提出了新的VPR定义和改进的定位方法，显著提升了识别性能。此外，研究还提出了无训练的定位质量预测方法和通用VPR解决方案，以优化资源限制下的系统设计。

本文探讨了无人机导航中的视觉障碍物检测与跟踪，提出了一种结合动态卡尔曼模型的实时对象定位策略，显著提升了跟踪性能。研究还涵盖了水下环境的单目视觉里程计、GNSS拒绝服务下的定位方法、长距离热成像定位及微型无人机的导航技术，均显示出显著的性能提升。

该论文提出多种基于深度学习的定位方法，提升了机器人和视觉地理定位的精度与效率。通过2D-3D匹配、稀疏描述符分类和自适应k值分配等技术，显著降低了计算开销并提高了实时性，展示了在复杂环境中的应用潜力。

本文介绍了多种基于三维片段和图像特征的闭环检测与定位方法，如SegMatch、GoMatch和GeoWarp。这些方法在大规模非结构化环境中实现了高效的定位和闭环检测，显著提高了准确性和实时性，适用于视觉SLAM和地理定位等领域。

本文介绍了HF-Net、OrienterNet和MapNet等多种基于深度学习的定位方法。这些方法通过利用图像特征、地图信息和自我监督学习，显著提高了复杂环境中的定位精度和鲁棒性，适用于无人驾驶和导航系统。

该研究提出了一种基于压缩感知的定位方法，通过处理大规模MIMO基站的观测值，区分LOS和非LOS信号，实现高精度用户定位。同时，结合机器学习和物理层认证技术，增强无线网络安全，提出多种算法以提升通信性能和安全性。

本文提出了一种分层细粒度的图像伪造检测与定位方法，结合多分支特征提取器和分类模块，能够有效检测和定位伪造区域。研究中介绍了HRFNet和GCA-Net等新模型和技术，显著提升了伪造检测的准确性和鲁棒性，尤其在深度伪造和文件伪造方面表现突出。

TDOA（Time difference of Arrival）是一种利用时间差进行定位的方法，通过测量信号到达不同监测站点的时间差来确定信号源的位置。TDOA具有简单高效、覆盖范围广、抗干扰性强等优势，但准确性受多种因素影响。需要合理选择监测站的位置和参数配置，以提高定位的准确性和可靠性。TDOA广泛应用于无线电监测工作，实现频谱管理和干扰源定位等任务。

本文介绍了一种基于深度学习的图像拼接定位方法，无需相机型号先验知识，可在未被篡改的相机标记图像数据库上进行训练。实验结果表明，该方法具有相当的效果和良好的泛化能力。

本文介绍了一种基于深度学习的图像拼接定位方法，可以在不需要相机型号先验知识的情况下定位拼接区域，并在大规模未被篡改的相机标记图像数据库上进行训练。实验结果表明，该方法在现有技术水平上具有相当的效果和泛化能力。