0 引言

        频谱资源受限的无线电技术在一定程度上制约了室内定位（IP）技术的发展。近年来，学界逐渐将关注点转向可见光领域，试图通过可见光通信（VLC）技术为IP领域提供新方法和思路，以寻求更高的定位精度。随着人工智能方法在信息通信领域的广泛应用，人们提出了许多关于室内可见光定位（VLP）的智能优化方法。但是，国内外的文献仅对基于机器学习的VLP优化方法进行了分析和对比[1]，其研究范围具有一定的局限性。

        本文首先凝练VLP的实际适用场景，并从可适性的角度将传统IP与VLP进行对比，然后对VLP方法进行分类，同时详细梳理、对比分析近年来提出的VLP智能优化方法，最后对室内VLP的共性问题和挑战进行归纳。

4 结束语

        本文综述了当前VLP智能优化方法的研究进展，虽然使用机器学习、KF、PF等方法可以优化和提升室内VLP的精度和效率，但也面临了一些共性问题和挑战，主要体现在以下几个方面：

    1）数据集的独立性，对于VLP智能优化方法而言，高质量的数据集才能够保证方法向更高定位精度的方向训练。虽然不同场景下的VLP智能优化方法对于数据集的要求不尽相同，但需要考虑结合实际场景需求来采集和优化数据集以进行模型训练。因此，当前缺少公认的VLP基准数据集，导致难以实现各VLP智能优化方法之间客观的定位精度评估和对比；

    2）当前不同VLP智能优化方法均依赖于各自实际的实验环境，虽然都能够取得较好的实验结果，但是方法的实际可行性、结果可信性较弱，主要原因在于当前缺乏统一的、标准的VLP实验平台；

    3）当前的绝大多数VLP智能优化方法考虑的对象是采用纯光学器件的理想可见光场景，未考虑如何在当前LED照明设施的基础上进行IP方法优化，故当前所提出的VLP智能优化方法在可部署性、成本可控性、实际可用性等方面有待商榷。