《Journal of King Saud University Computer and Information Sciences》：TinyML and Edge AI for indoor positioning and navigation systems: a systematic review across compute scales
室内定位与导航系统（Indoor Positioning and Navigation Systems, IPNSs）缺乏全球定位系统（Global Positioning System, GPS）信号，这一挑战在过去十年中激发了人们对IPNSs的广泛研究。机器人定位、资产跟踪、工业自动化以及视障人士辅助等应用的不断增长推动了这一需求的发展。虽然机器学习（Machine Learning, ML）提升了IPNSs的精度，但基于云的方法面临延迟、功耗和隐私方面的挑战。因此，研究重心已转向微型机器学习（Tiny Machine Learning, TinyML）和边缘人工智能（Edge Artificial Intelligence, Edge AI），这些方法通过实现低延迟、安全且独立于云的操作，更好地适应了资源受限的IPNSs设备。本工作的核心贡献之一是对TinyML和Edge AI在不同IPNSs模态中的应用方式进行了系统性分类。该综述涵盖了从简单设备上的轻量级机器学习（ML）到高级深度学习（Deep Learning, DL）模型的全部解决方案范围，并考察了设备端人工智能（on-device AI）如何增强无线、视觉、惯性和混合IPNSs方法。全面的摘要表格记录了97项研究中的模型类型、输入、目标函数、计算资源、边缘平台和优化方法，为基于证据的概述提供了支撑，该概述绘制了当前趋势、研究空白和部署实践，特别强调了专用硬件加速器的新兴作用以及硬件感知优化策略集成有限的问题。该研究突出了持续面临的挑战，包括资源限制、数据限制以及动态环境中模型鲁棒性有限的问题。它概述了未来方向，如自适应学习、高级优化、鲁棒部署策略以及标准化数据集和基准的开发。
2 Indoor positioning and navigation system
2.1 IPNSs components
基于设备的IPNSs主要包括四个组件：定位技术、定位技术、设备（用户设备或独立设备）和导航算法。定位技术分为三类：需要建立传感器基础设施的技术，如射频识别（Radio-Frequency Identification, RFID）或超宽带（Ultra-Wideband, UWB）传感器；利用现有基础设施的技术，如Wi-Fi接入点（Access Points, APs）、蓝牙低功耗（Bluetooth Low Energy, BLE）信标或固定摄像头；独立技术，如行人航位推算（Pedestrian Dead Reckoning, PDR）或基于摄像头的视觉技术。常用无线定位技术包括BLE、Wi-Fi往返时间（Wi-Fi Round-Trip Time, Wi-Fi RTT）、UWB、可见光通信（Visible Light Communication, VLC）和RFID。定位技术分为基于指纹图（fingerprinting）的技术和非指纹图技术。基于指纹图的技术使用接收信号强度指示（Received Signal Strength Indicator, RSSI）和信道状态信息（Channel State Information, CSI）等测量参数。路径规划算法包括Dijkstra、A*、D*和改进的A*算法。
2.2 Evaluation metrics
评估由TinyML和Edge AI驱动的IPNSs需要使用成熟的指标，包括定位与导航精度、计算与资源效率以及系统鲁棒性与可靠性。
2.2.1 Localization and navigation accuracy
定位与导航精度指标对于评估IPNSs至关重要，尤其是在TinyML和Edge AI背景下。这些指标包括分类精度、定位误差、绝对轨迹误差（Absolute Trajectory Error, ATE）和相对轨迹误差（Relative Trajectory Error, RTE）、以及误差累积分布函数（Cumulative Distribution Function, CDF）。定位误差使用均方根误差（Root Mean Square Error, RMSE）、平均绝对偏差（Mean Absolute Deviation, MAD）和均方误差（Mean Squared Error, MSE）等统计指标聚合。ATE测量估计轨迹与真实轨迹之间的直接点对点差异，而RTE测量估计轨迹在短时间区间内相对于真实轨迹的局部偏差。CDF是显示给定位置误差低于特定值的概率的强大可视化指标。
2.2.2 Computational and resource efficiency
在资源受限设备上部署TinyML和Edge AI模型需要全面评估计算与资源效率。这些指标包括模型大小、推理时间、峰值RAM和闪存使用、以及功耗/能耗。模型大小决定了模型在资源受限微控制器上的可行性。推理时间是模型接收输入与生成输出之间的延迟。峰值RAM和闪存使用代表推理过程中的最大内存使用量。功耗/能耗测量模型推理期间的总功耗，是电池寿命和操作可持续性的主要决定因素。
2.2.3 System robustness and reliability
在资源受限设备上部署IPNSs基础的TinyML和Edge AI解决方案需要高度的鲁棒性和可靠性。这些属性对于在面对环境波动、硬件限制、设备异构性和一般操作挑战时保持性能精度和一致性至关重要。鲁棒性被定义为系统在资源约束和不利真实世界条件下的性能维持能力。可重复性是在相同环境中重复试验产生相似结果的能力，而适应性是适应新条件的能力。设备异构性反映了TinyML模型在具有不同功能的各种设备上部署的现实。
3 Existing surveys
尽管IPNS技术和基于ML的定位方法已被广泛综述，但ML模型在资源受限的Edge AI和TinyML平台上的部署在综述文献中仍然 largely unexplored。现有综述主要关注定位精度、感知技术和定位算法，对资源高效的ML概念（如轻量级模型或设备端学习）提供有限或零散的覆盖，但没有系统研究TinyML和Edge AI在IPNSs中的应用。本综述通过系统地分析过去八年中报告的基于TinyML和Edge AI的IPNS解决方案来解决这一空白。
4 Methodology
本系统综述遵循PRISMA 2020指南。文献检索在Web of Science、IEEE Xplore和Google Scholar三个主要数据库中进行。初始搜索从三个数据库识别了695条记录（Web of Science 276条，Google Scholar 296条，IEEE Xplore 123条）。在删除97条重复记录后，598条研究进入标题和摘要筛选阶段，排除429条记录。随后169份全文报告被检索，其中3份无法获得。剩余的166份报告经过资格评估，排除69项研究，最终纳入97项研究。检索词涵盖TinyML、轻量模型、边缘AI（Edge AI）、边缘学习（Edge Learning）、嵌入式机器学习（Embedded ML）、量化（quantization）、蒸馏（distillation）、剪枝（pruning）、资源受限（resource constrained）和高效深度学习（Efficient Deep Learning）等术语，以及室内定位相关术语。时间范围为2018年至2025年8月。研究使用六项预定义标准评估方法学报告完整性和部署导向评估证据：数据集识别/可访问性、资源-精度权衡、真实硬件部署、内存占用报告、能耗或功耗报告、跨环境验证。每项标准满足时计1分，最高6分。筛选和数据提取过程由单一评审员完成，无法进行评分者间一致性分析。
5 Overview of TinyML and Edge AI
5.1 TinyML workflows
TinyML开发通常遵循三种工作流：面向ML的、面向硬件的和硬件/软件协同设计的。面向ML的工作流首先开发ML模型，然后通过量化、剪枝和知识蒸馏等技术将其适配到固定硬件约束。该工作流基于TensorFlow Lite（TFLite）框架，针对IPNSs。面向硬件的工作流专注于设计在严格资源约束下高效执行ML模型的硬件架构，采用专用加速器如神经网络处理器（Neural Processing Units, NPUs）和现场可编程门阵列（Field-Programmable Gate Array, FPGA）加速器。硬件/软件协同设计工作流联合优化ML模型和硬件架构。常用框架包括TensorFlow Lite for Microcontrollers、Edge Impulse、MATCH、Apache TVM、ModelSim和Xilinx Vivado。
5.2 TinyML and Edge AI compression and optimization techniques
TinyML和Edge AI优化方法可大致分为三类：模型压缩、架构设计和硬件感知优化。模型压缩技术包括：剪枝（pruning）、量化（quantization）、知识蒸馏（knowledge distillation）、低秩分解（low-rank factorization）和混合方法。模型架构设计优化是主动开发本质上高效的神经网络的方法，关键方法包括：轻量级架构、神经架构搜索（Neural Architecture Search, NAS）、深度可分离和分组卷积、注意力机制、有理化激活函数（Rational Activation Functions, RAFs）和条件计算（conditional computation）。硬件感知优化将目标平台的特定特征、约束和能力纳入模型设计、训练和部署全过程，包括：硬件感知NAS、硬件感知量化和剪枝、硬件-软件协同设计、编译器和部署优化。
6 TinyML and Edge AI for IPNSs
6.1 Simple NN and lightweight classical ML for edge devices in IPNSs
简单ML解决方案如k近邻（k-nearest neighbors, KNN）、支持向量机（Support Vector Machines, SVM）、决策树（Decision Trees, DTs）和浅层神经网络（Neural Networks, NNs）由于低计算和内存要求被广泛研究。这些模型可直接部署在资源受限的边缘设备上，与基于TinyML和Edge AI的解决方案进行有意义的比较。传统ML模型通常存在可扩展性有限、跨环境泛化能力差以及依赖劳动密集型特征工程等问题。
6.2 TinyML and Edge AI for wireless-based IPNSs
基于无线信号（如Wi-Fi、UWB、蓝牙和5G定位系统的RSSI和CSI）的DL模型直接部署在边缘设备和超低功耗微控制器上可显著提高室内定位精度。在UWB定位中，TinyML和Edge AI主要通过非视距（Non-Line-of-Sight, NLoS）缓解、偏差校正和自校准定位来增强测距精度。Wi-Fi基础IPNSs采用三种主要方法：使用轻量级NN而不依赖模型压缩技术；将DL模型与高级压缩技术相结合；采用在边缘服务器和边缘节点之间分配DL工作负载的协作范式。BLE基础IPNSs主要采用两种技术：利用轻量级神经网络而不依赖高级模型优化技术；将DL模型与优化技术相结合以提高效率和部署可行性。5G和毫米波技术与TinyML和Edge AI的协同集成可实现高精度、低延迟和能效定位解决方案。
6.3 TinyML and Edge AI for vision-based IPNSs
基于视觉方法利用摄像头和计算机视觉技术实现精确和鲁棒的室内定位。TinyML和Edge AI进一步增强这些能力，实现设备端处理、减少延迟、改善隐私和优化功耗。视觉基础IPNSs涵盖多个关键子领域：微型和nano-UAVs、视障人士辅助技术、资源受限移动机器人以及支持定位和导航的视觉相关任务。在nano-UAVs中，TinyML和Edge AI主要用于基于视觉的避障和基于视觉的人体相对3D姿态估计与跟踪。在视障人士辅助技术中，TinyML和Edge AI的主要作用是人员和目标检测、识别和定位。在资源受限移动机器人中，TinyML和Edge AI的主要作用包括物体检测、视觉定位与导航的场景感知和管内特征检测。在支持定位和导航的视觉任务中，包括视觉同步定位与地图构建（Visual SLAM, VSLAM）中的运动目标检测、3D线检测、特征匹配、室内场景解析和镜面反射检测等。
6.4 TinyML and Edge AI for inertial-based IPNSs
惯性测量单元（Inertial Measurement Units, IMUs）由加速度计、陀螺仪和有时磁力计组成，在GPS拒止环境中提供定位的运动数据。TinyML技术使设备端学习和推理成为可能，允许实时漂移补偿、异常检测和自适应滤波。综述的研究采用了TinyML和Edge AI进行惯性里程计、惯性导航或定位，包括TinyOdom、DeepVIP、LLIO-Net、LSTM、IMUNet、ReCoF知识蒸馏和DeepILS等方法。
6.5 TinyML and Edge AI for hybrid and sensor fusion-based IPNSs
通过本地处理数据，混合IPNSs消除了持续云连接的需求。一些研究采用系统级融合，如UWB使用粒子滤波器并仅依赖IMU测量进行核心ML任务；其他研究使用Edge AI融合多种传感器模态以在工厂中定位运动实体并检测室内外过渡。综述的研究包括混合ANN和DQN-RL模型、轻量级YOLOv7-tiny模型与DRL结合、tiny多模态CNN、ResMixer、FedINS2联邦边缘学习框架以及室内外检测系统等。
6.6 TinyML and Edge AI hardware accelerators for IPNSs
本节聚焦于TinyML和Edge AI硬件加速器，强调专用计算平台（如FPGA、微控制器和片上系统架构）如何实现定位和导航任务的实时和能效处理。神经形态处理器和FPGA共同实现了可扩展的、特定于任务的智能。神经形态计算通过利用脉冲神经网络（Spiking Neural Networks, SNNs）和事件驱动感知，解决了传统系统的资源限制。FPGA通过为计算密集型任务提供可重构并行架构来补充神经形态方法。97项综述研究中只有8项（8.2%）明确纳入了硬件感知算法或实现策略。
6.7 Cross-cutting insights and design trade-offs
综合证据建立了识别反复出现的设计权衡、特定模态的约束和新兴部署模式的框架。视觉基础研究对公开数据集的依赖性强，无线研究在内存报告和跨环境验证方面提供了更广泛的证据。Edge AI加速器研究显示能源报告相对频繁，但资源-精度权衡和跨环境验证证据有限。在所有97项综述研究中，45项（46.4%）使用公开数据集，69项（71.1%）在真实硬件上验证模型，38项（39.2%）报告内存占用，15项（15.5%）报告能耗，25项（25.8%）明确评估资源-精度权衡，仅23项（23.7%）进行跨环境验证。六项标准报告完整性评分的平均值为2.26，中位数为2。59项研究（60.8%）满足不超过六项标准中的两项。由于文献的实质性异质性，未考虑正式统计荟萃分析。针对无线基础IPNSs进行了Pareto分析，以定位误差与模型大小以及分类精度与模型大小为资源效率指标。
7 Challenges and future directions
7.1 Efficiency-driven edge autonomy through hardware-algorithm Co-design
实现完全设备端自主是在严重内存、计算和能源约束下实现TinyML和Edge AI基础IPNSs的核心挑战。未来研究应优先考虑将设备特定NAS、硬件感知量化和剪枝、高效编译策略和加速器感知模型设计相结合的统一硬件-算法协同设计方法。对97项综述研究的分析显示，38项研究（39.2%）采用模型压缩技术，只有8项研究（8.2%）明确纳入硬件感知算法或实现策略，24%的研究未在真实边缘设备上部署模型。
7.2 Robust and adaptive localization in dynamic and long-term indoor environments
在动态室内环境中保持定位精度仍然是一个持续的挑战。环境变化、运动物体、传感器变异性和长期场景演变可能显著降低定位精度。未来研究应专注于统一框架，共同解决动态感知、长期一致性和跨环境泛化。仅约7%的综述研究明确解决设备异构性和鲁棒性，约7%采用传感器融合策略，仅2%在IPNS框架内探索联邦学习（Federated Learning, FL）。没有研究实现设备端增量学习以进行持续适应，也没有研究将可解释人工智能（Explainable AI, XAI）技术整合到基于TinyML或Edge AI的IPNS部署中。
7.3 Generalizable data collection and interoperable IPNS architectures
跨多样室内环境的数据收集和标记仍然是耗时且昂贵的过程。只有5项研究（约5%）采用半监督或自监督学习来减少标记工作量，只有7项研究（约7%）明确解决多传感器或设备异构性，仅2项研究（约2%）利用FL支持跨异构设备操作。
7.4 Ensuring security and privacy of location data
确保位置数据的安全性和隐私仍然是一个主要挑战。在97项综述研究中，只有3项研究（约3%）明确解决安全或隐私问题。TinyML和Edge AI的设备有限的计算、内存和能源资源限制了传统加密保护的使用。未来研究应调查轻量级学习算法、安全的设备端推理机制、资源高效的加密技术和模型强化策略。
7.5 Standardized benchmarks and datasets
综述的文献展示了跨不同IPNS范式的碎片化基准测试环境。少于一半的研究（45/97）利用公开可用的数据集，只有23/97进行跨环境验证。未来研究的一个重要方向是开发全面、开源和标准化专门为基于TinyML和Edge AI的IPNSs设计的基准数据集。还需要标准化的基线模型、受控实验环境以及多样化的数据集采样。
8 Conclusion
本文对2018年至2025年8月TinyML和Edge AI在IPNSs中的应用进行了系统综述。在对97项研究进行系统分析后，该综述综合了跨无线、视觉、惯性和混合IPNSs的TinyML和Edge AI方法，涵盖了ML/DL模型、优化技术、计算平台和硬件加速器、部署特征以及报告的精度和资源共享要求。分析表明，对资源高效和日益专业化的边缘智能有相当大的兴趣，但各研究的评估实践、部署条件和资源报告存在相当大的差异。综述确定了几种反复出现的设计实践和研究空白。模型压缩、硬件感知优化和真实硬件验证越来越被采用以解决资源约束；然而，部署导向的评估仍然不均衡，特别是在能效、资源-精度权衡和跨环境验证方面。
