文献来源：
Wang Q, Jia J, Deng Y, et al. DarLoc: Deep learning and data-feature augmentation based robust magnetic indoor localization[J]. Expert Systems with Applications, 2024, 244: 122921.
摘要：
由于地磁场的普遍性，基于磁场的室内定位方法受到了广泛的关注，并且不需要额外的基础设施。然而，现有方法仍然面临着设备类型、行人持有姿态和移动速度等因素造成的异质性问题。为了解决这个问题，本文提出了一种新的基于深度学习和数据特征增强的磁性定位框架(DarLoc)。首先，采用方向不敏感的磁信号提取方法去除序列中的直流分量，以消除不同保持姿态和不同移动设备带来的影响；其次，提出了新颖的数据增强和特征增强方法来提取速度信息的特征，从而解决了不同移动速度带来的多尺度序列问题；最后，提出了一种深度多尺度时空学习模型，用于同时提取增强序列的空间和时间特征，并对具有不同移动速度和姿态的人进行鲁棒定位。在长达14个月的时间里，研究人员对189名志愿者使用4种不同的移动设备和多种移动速度进行了广泛的实验，以评估DarLoc的性能。实验结果表明:(1)DarLoc算法在恒定和可变移动速度场景下的平均定位精度分别为0.47 m和0.56 m;(2)与现有定位方法相比，DarLoc的定位精度分别提高了约41%和60%。
