本研究针对室内定位中亚10米精度的实现难题，提出了一种结合自适应滤波与扩展日志距离、多墙路径损耗和阴影模型的轻量但稳健的方法。结果显示，采用环境参数增强的模型通过自适应卡尔曼滤波实现了5.81米的平均绝对误差，显著优于基线模型，从而为动态变化环境中的高精度LoRaWAN室内定位提供了解释性与高效的解决方案。

本文介绍了基于LoRaWAN的智能校园数据集，采用k最近邻算法处理缺失值，并利用LSTM模型预测未来数据。研究表明，模型在预测房间人数方面的准确率达到95%。该数据集已公开，为后续研究提供了机会。

该研究通过采集四旋翼飞行器上的摄像头捕捉户外图像序列，分析了逆境环境对标记物探测的影响，并研究了其在起降和城市飞行中的潜力。研究评估了标记物的探测性能，并将数据集和分析代码作为开源资源发布给公众。