本研究提出了一种大型无线定位模型（LWLM），旨在解决现有定位模型的数据依赖性和场景泛化能力不足的问题。LWLM通过自监督学习框架，在多种定位任务中显著提高了定位精度，推动了6G应用的发展，如自动驾驶和智慧制造。

本研究提出了上下文感知边界定位模块和CAM引导的SAM精炼模块，显著提升了图像操控区域的定位精度，展示了其在图像操控检测中的应用潜力。

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。

本文提出了一种新的传感器快照分词方法，以解决传统室内定位在非视距(NLOS)环境中的低精度问题。研究表明，轻量级L-SwiGLU Transformer模型在降低计算复杂度的同时，提高了定位精度，并在资源受限场景中表现出更高效率。

本研究提出了SAFELOC框架，旨在解决室内定位中的数据中毒攻击和设备异质性问题。通过融合神经网络和动态显著性图聚合策略，SAFELOC显著提高了定位精度和移动设备的运行效率。实验结果表明，该框架在多种场景下优于现有技术。

本研究提出了一种集成学习方法，以提高超分辨率超声成像中微气泡的定位精度，显著提升了检测的准确性和召回率，解决了检测灵敏度不足和误报问题，推动了超分辨率超声技术的发展。

该研究基于牛津机器人车数据集，发布了长期定位和映射基准数据，旨在提高自动驾驶车辆的定位精度。通过深度学习和图神经网络等方法，解决了GPS信号不稳定问题，提升了城市环境中的车辆定位准确性，并探讨了机器学习在GNSS定位中的应用及其优势与挑战。

该研究探讨了基于超宽带（UWB）技术的室内定位方法，提出了多种新型算法，包括基于深度学习的定位框架和动态频率测距算法，显著提高了定位精度并降低了功耗。实验结果显示，这些方法在复杂环境中表现优异，有效解决了多径衰落导致的定位误差问题。

蓝牙技术联盟推出蓝牙6.0版，新增蓝牙信道探测功能，实现厘米级定位精度，改善传输效率，支持更大数据帧和降低音频延迟。蓝牙6.0设备预计明年下半年或2026年问世。

本研究利用无人机和深度学习技术解决无人水面载体在GNSS受限的海洋环境中的定位问题，实验结果显示该方法有效提升USV的定位精度，展示了其作为GPS补充的潜力。

该研究综述了5G系统中基于人工智能/机器学习的直接定位应用，重点研究了在挑战性场景和条件下的潜力。研究强调了直接定位的模拟和观察结果，并讨论了解决方案的重要性。

科学家们开发了一种自动化、高速、多维的单粒子追踪系统，可以实时、精确地追踪活细胞内分子的运动。该系统通过深度学习算法克服了低信噪比条件下的旋转跟踪的局限性，并具备高定位精度和时空分辨率。研究结果表明，该系统在活细胞内的货物运动研究中表现出更好的鲁棒性和抗噪性能。该研究为了解活细胞的动态过程提供了新的角度。

随着UWB技术的发展和市场需求增加，室内定位行业蓬勃发展。UWB定位系统是商用无线定位系统中精度最高之一，应用广泛。UWB定位的优势包括低功耗、抗干扰能力强、穿透性强。定位精度达到厘米级，应用场景广泛。

超宽带技术（UWB）在安全访问和其他领域迎来复兴，具有高频率和宽频谱的优势，可用于免提访问控制、基于位置的服务和设备到设备服务。UWB的独特脉冲信号提高了定位精度并预防中继攻击，通过加扰时间戳字段提高了安全性。UWB是商业上唯一可用的无线技术，具有高精度定位和高级安全性，有望成为安全访问和定位服务的基础。

本文提出了一种基于置信度的伪标签方法，用于半监督目标检测。该方法可以更好地估计伪标签的质量，并调整阈值和权重，解决类别不平衡和定位精度问题。实验结果表明，该方法在COCO和PASCAL VOC数据集上提升了1-2%的性能，即使只使用COCO的1-10%标记数据，也能提高10%的性能。

基于指纹的定位方法在非直视室内环境中提高了定位精度。提出了一种新的框架，只需要速度信息和拓扑地图信息来将通道绘图转换为实际坐标。实验证明，即使有噪声的速度估计和粗糙的地图信息，也能够达到类似的位置精度。

本文介绍了使用MINGLE图神经网络结合移动智能手机和WiFi定位技术进行用户位置追踪的新集成技术。实验结果显示，MINGLE相比基准模型具有更好的定位精度，RMSE分别为1.398米和1.073米。