室内定位正在随着需要精确位置跟踪的应用而发生转变。传统方法(包括指纹识别和基于传感器的技术)虽然广泛使用，但面临着重大缺点，例如需要大量训练数据、可扩展性差以及依赖额外的传感器信息。最近的进展试图利用深度学习，但可扩展性低和计算成本高等问题仍未得到解决。

在最近发表在《卫星导航》杂志上的一项研究中，重庆大学的研究人员推出了“FloorLocator”系统，该系统以前所未有的精度和效率彻底改变了室内导航。

FloorLocator为室内导航树立了新的标杆，以其卓越的准确性、可扩展性和计算效率显着超越传统技术。这一创新系统将尖峰神经网络(SNN)与图神经网络(GNN)集成在一起，将SNN的计算效率与GNN的高级模式识别结合起来。SNN带来了无与伦比的计算效率，而GNN则在复杂的模式识别方面表现出色。

这种混合不仅提高了地面定位性能，而且偏离了过去的数据密集型、不灵活的方法。FloorLocator将楼层定位重新想象为基于图形的学习挑战，将接入点(AP)映射到动态图形，以便轻松适应新设置，这是当前技术无法比拟的壮举。

FloorLocator在复杂的多层建筑中的准确度比最新方法高出至少10%，其成功归功于用于高效计算的SNN和用于自适应学习的GNN的战略集成，彻底改变了室内导航。

首席研究员LongXianleiLong博士强调：“FloorLocator不仅仅是技术进步;它是创建更具弹性、高效和准确的室内导航系统的飞跃。通过利用基于图形的学习方法，它可以轻松扩展到新环境，而无需承担高计算成本和大量数据收集的负担。”

FloorLocator在准确性、可扩展性和效率方面超越了当前技术。这种方法能够动态适应新环境，并在该领域树立了新标准，提供了从增强应急响应到改进室内定位和个性化建议的广泛应用，使其成为未来室内的关键解决方案。