Die Nachfrage nach Lokalisierungsdiensten steigt kontinuierlich mit der Weiterentwicklung und dem Fortschritt mobiler Geräte und Internet of Things (IoT) Anwendungen im letzten Jahrzehnt. Lokalisierung auf Basis verschiedener drahtloser Standards wurde umfassend untersucht, um Dienste in unterschiedlichen Anwendungen bereitzustellen. Mit dem Aufkommen von Deep Learning (DL) Algorithmen werden viele verschiedene DL-Modelle oder -Architekturen in Lokalisierungsaufgaben eingesetzt, um die Genauigkeit und Robustheit gegenüber konventionellen Lokalisierungsmethoden zu erhöhen. Es fehlt jedoch an Übersichtsarbeiten, die sich darauf konzentrieren, wie unterschiedliche mit DL verbundene Methoden in entsprechenden Lokalisierungsszenarien angewandt werden. In diesem Papier streben wir an, einen umfassenden und aktuellen Überblick über DL-basierte Lokalisierungsmethoden aus der Perspektive der gängigen drahtlosen Standards wie Wi-Fi, Mobilfunk, Ultra-Breitband (UWB) und Bluetooth Low Energy (BLE) zu präsentieren. Wir heben ferner die Faktoren hervor, die End-to-End-DL-basierte Methoden bilden, einschließlich der Datensätze, Vorverarbeitungsmethoden und DL-Algorithmen. Außerdem diskutieren wir, wie DL potenziell die Herausforderungen in Bezug auf Lokalisierungspräzision, Latenz und Datengenerierung angehen kann.
Andrews et al. (Tue,) haben diese Frage untersucht.