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。

本文介绍了一种基于深度学习的视觉重定位系统，该系统结合无场景特异性特征与场景特异性预测模型，显著提高了定位精度和训练速度。该方法在大规模模型上表现优异，尤其在室内外定位中有效降低误差，适用于多种复杂场景。

本文介绍了SLAM（同时定位与地图构建）技术的进展，重点讨论了激光雷达和视觉SLAM在复杂环境中的应用，提升定位精度和生成语义地图的能力。研究展示了新算法和框架的有效性，解决了动态环境下的挑战，推动了自动驾驶和机器人导航的发展。

本文探讨了弱监督语义分割和目标定位的最新进展，提出了基于Transformer的模型TS-CAM、SWTformer和ViTOL，以提高定位精度和性能。这些方法在多个数据集上取得了显著效果，解决了局部激活和类不可知问题。

该研究综述了人工智能和机器学习在5G系统中定位的应用，探讨了复杂条件下的定位潜力。研究展示了厘米级精度的定位能力，分析了不同机器学习模型的性能，并提出了一种基于IMU的定位方法，以降低标签采集成本。

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。

本文探讨了相机姿态自编码器（PAEs）在多层感知机神经网络训练中的应用，提出了PoseMap特征和相对位移回归方法，显著提高了室内外场景的定位精度。结合绝对姿态回归和特征匹配，解决了光度变形问题，并提出了无需三维地图的重定位技术，推动了视觉定位领域的发展。

本文介绍了多种基于弱监督和深度学习的时序动作定位方法，如AutoLoc、SVTAS-RL和OTAS。这些方法通过新损失函数和优化策略，提高了在多个数据集上的定位精度和效率，尤其在长视频分析中表现突出。