近年来,基于WiFi的无线室内指纹定位技术由于其低成本以及高通用性等特点已获得国内外研究人员的广泛关注。然而,随着室内环境变化以及WiFi收发端设备固有的缺陷,无线位置指纹将随着时间发生显著变化,导致传统无线指纹定位方法的定位精度急剧下降。为了保证无线指纹定位模型在动态环境以及硬件设备有缺陷条件下的定位精度,研究者们探索并提出了基于众包的模型更新方法,取得了较好的性能。然而,这些工作在模型更新过程中缺乏针对位置隐私信息的保护,导致用户的位置信息在模型更新的过程中很容易发生泄露,从而引发用户个人隐私暴露问题。为了维持无线指纹定位精度并同时保护用户位置信息,联邦学习被首次应用于无线室内指纹定位模型的更新,提出并实现了基于联邦学习的无线室内指纹定位系统FLoc。FLoc定位系统包括模型服务器以及各个用户携带的移动设备。在FLoc系统中,每个用户都在自己的移动设备中维护本地定位模型,依靠定位模型完成室内定位操作。为了实现移动设备自动收集并标记指纹数据的功能,FLoc引入了行人航位推算（Pedestrian Dead Reckoning,PDR）。各个移动设备利用本地收集的指纹数据更新本地定位模型的同时将定期共享加密更新参数给模型服务器。在模型服务器上,聚合所有本地模型的加密模型更新信息以更新维护服务器端的模型,然后模型服务器可以将服务器端的定位模型共享给各个移动设备。这样各个移动设备的定位模型不仅仅包含了自己的更新参数,也受益于其他移动设备的更新参数。最后,FLoc在WiFi接入点位置未知的实验室走廊以及家居房间中进行评估验证。实验结果表明,FLoc通过PDR可以自动收集指纹数据,完成定位模型的更新,具有维护指纹定位模型定位精度的能力。此外,由于在联邦学习框架下位置指纹数据从未离开移动设备,所以FLoc能够有效保护用户的位置隐私信息。