蓝牙定位精度提升：从 RSSI 校准到机器学习融合

为什么蓝牙定位会失准，传统 RSSI 校准究竟补了什么，为什么后来研究又走向了指纹、机器学习和多源融合？

1. 先把问题说清楚：为什么蓝牙定位难

蓝牙定位看起来很诱人，因为 BLE 部署成本低、功耗低、基础设施普及。

但只要真正做过项目，几乎都会遇到下面这些问题：

同一个点位多次测得 RSSI 差异很大；
设备换一个品牌，定位模型就失效；
空旷环境标定出的参数，到了办公室就不准；
三边定位理论上很优雅，实际误差却很大；
静止时漂、移动时抖、遮挡时跳。

这些问题说明：

蓝牙定位不是单纯的几何问题，而是一个"传播建模 + 统计估计 + 数据融合"的综合问题。

2. 蓝牙 RSSI 定位的三条主路线

为了后面的论证更清楚，先把方法谱系理一遍。

2.1 路线一：模型法

先根据 RSSI 推距离，再根据多个锚点距离反推出位置。

典型步骤：

用路径损耗模型把 RSSI 转换为距离；
用 trilateration / multilateration 估计坐标。

优点：

解释性强；
数学结构清晰；
适合轻量部署。

缺点：

强依赖参数标定；
对环境变化与设备异构很敏感。

2.2 路线二：指纹法

不强行把 RSSI 映射成距离，而是在离线阶段建立"位置-信号特征"数据库。

在线阶段拿实时 RSSI 去匹配最相似的位置。

优点：

不要求显式传播模型精确成立；
能容纳复杂非线性环境。

缺点：

采集成本高；
环境变化后要重建或更新 radiomap。

2.3 路线三：机器学习与多源融合

在指纹或模型基础上，引入：

KNN、SVM、随机森林；
MLP、CNN、RNN、LSTM；
与 PDR、IMU、Wi-Fi、摄像头、LTE 等多源信息融合。

优点：

能拟合复杂关系；
能部分补偿异构设备偏差；
在复杂场景中通常优于单一 RSSI 几何法。

缺点：

数据依赖更强；
泛化性与可解释性常成为问题。

3. 一切从 RSSI-距离模型开始

3.1 基础模型

最常见的经验模型是：

RSSI(d)=A−10nlog⁡10(d)+ϵ RSSI(d)=A-10n\log_{10}(d)+\epsilon RSSI(d)=A−10nlog10(d)+ϵ

其中：

AAA：参考距离 d0=1d_0=1d0=1 m 附近的参考 RSSI；
nnn：路径损耗指数；
ϵ\epsilonϵ：包含阴影衰落、多径、设备偏差的综合误差项。

如果忽略误差并反解距离：

d=10A−RSSI10n d = 10^{\frac{A-RSSI}{10n}} d=1010nA−RSSI

这一步看似简单，实际上是蓝牙测距误差的第一道放大器。

3.2 为什么误差会被指数放大

令测得 RSSI 为 rrr，模型给出：

log⁡10d=A−r10n \log_{10}d=\frac{A-r}{10n} log10d=10nA−r

对 rrr 求微分：

d(log⁡10d)=−110ndr d(\log_{10}d)=-\frac{1}{10n}dr d(log10d)=−10n1dr

又因为

d(log⁡10d)=1ln⁡10ddd d(\log_{10}d)=\frac{1}{\ln 10}\frac{dd}{d} d(log10d)=ln101ddd

所以：

ddd=−ln⁡1010ndr \frac{dd}{d}=-\frac{\ln 10}{10n}dr ddd=−10nln10dr

取绝对值后近似写成：

Δdd≈ln⁡1010n∣Δr∣ \frac{\Delta d}{d}\approx \frac{\ln 10}{10n}|\Delta r| dΔd≈10nln10∣Δr∣

这说明：

RSSI 波动越大，距离相对误差越大；
误差不是线性地加在坐标上，而是先在距离层被放大；
再经过几何定位后，还会二次传播到位置误差。

因此，任何提升定位精度的方案，第一层都绕不开：

减少 RSSI 原始波动；
修正模型参数；
减轻模型不匹配。

4. RSSI 校准到底在校什么

4.1 校准参数一：参考功率 AAA

不同设备的发射机、天线、封装、增益控制不同，同样 1 m 距离下测得的参考 RSSI 往往不一致。

因此 AAA 不能机械地照搬一个固定值。

更严谨的做法是：

固定设备；
在参考距离多次测量；
用均值或中位数作为该设备-环境组合下的参考功率。

4.2 校准参数二：路径损耗指数 nnn

由模型：

RSSI=A−10nlog⁡10(d) RSSI = A - 10n\log_{10}(d) RSSI=A−10nlog10(d)

令：

x=log⁡10(d),y=RSSI x=\log_{10}(d),\qquad y=RSSI x=log10(d),y=RSSI

则：

y=A−10nx y=A-10nx y=A−10nx

这是线性回归问题。斜率估计为：

β^1=∑(xi−xˉ)(yi−yˉ)∑(xi−xˉ)2 \hat \beta_1=\frac{\sum(x_i-\bar x)(y_i-\bar y)}{\sum(x_i-\bar x)^2} β^1=∑(xi−xˉ)2∑(xi−xˉ)(yi−yˉ)

从而有：

n^=−β^110 \hat n=-\frac{\hat\beta_1}{10} n^=−10β^1

这说明所谓"RSSI 标定"并不是拍脑袋调参数，而是可以通过实验样本做统计拟合。

4.3 只做标定为什么仍然不够

因为误差项 ϵ\epsilonϵ 不是简单常数。它至少包括：

多径随机波动；
障碍物引起的慢漂移；
人体遮挡；
不同设备测量链差异；
扫描速率与丢包差异。

即便 AAA 和 nnn 被估准，模型仍然可能因"误差结构未建模"而失效。

5. 从距离误差到坐标误差：几何法为什么会崩

5.1 三边定位的理想情形

若有三个锚点 (xi,yi)(x_i,y_i)(xi,yi) 和到目标的距离 did_idi，则：

(x−xi)2+(y−yi)2=di2,i=1,2,3 (x-x_i)^2+(y-y_i)^2=d_i^2,\qquad i=1,2,3 (x−xi)2+(y−yi)2=di2,i=1,2,3

理论上联立即可求解目标位置 (x,y)(x,y)(x,y)。

5.2 实际问题：距离并不精确

真实用的是估计距离：

d^i=di+ei \hat d_i = d_i + e_i d^i=di+ei

于是圆与圆往往不会严格相交，而是形成不一致方程组。

这时通常转为最小二乘问题：

min⁡x,y∑i=1M((x−xi)2+(y−yi)2−d^i)2 \min_{x,y}\sum_{i=1}^{M}\left(\sqrt{(x-x_i)^2+(y-y_i)^2}-\hat d_i\right)^2 x,ymini=1∑M((x−xi)2+(y−yi)2 −d^i)2

这里可以看出关键问题：

误差已经不是线性的；
测距误差直接进入平方根几何项；
锚点几何布局也会影响误差放大。

5.3 为什么锚点布局也重要

即使距离误差一样大，不同几何布局导致的位置误差也可能差很多。

这与 GNSS 中的几何精度因子思想类似：

几何条件不好时，小的距离偏差会被放大成大的位置偏差。

因此，蓝牙定位的精度不只由 RSSI 决定，还由：

锚点位置；
覆盖角度；
LOS/NLOS 条件；
可见锚点数量

共同决定。

6. 为什么后来大家转向指纹法

6.1 指纹法的核心思想

既然"RSSI 到距离"的映射不稳定，不如跳过这一步，直接学习：

位置⟷RSSI 特征向量 \text{位置} \longleftrightarrow \text{RSSI 特征向量} 位置⟷RSSI 特征向量

设某位置点的 RSSI 指纹为：

r= $r1,r2,\dots ,rM$ ⊤ \mathbf{r}= $r_1,r_2,\\cdots,r_M$ ^\top r= $r1,r2,\dots,rM$ ⊤

其中 rir_iri 是来自第 iii 个锚点的 RSSI。

离线阶段收集大量位置点和对应指纹，构成 radiomap。

6.2 为什么它比几何法更稳

因为指纹法不要求：

每个锚点都准确遵循同一个路径损耗模型；
环境必须接近自由空间；
RSSI 与距离严格单调。

它把复杂传播效应"吸收"进了数据分布。

6.3 但它也不是万能的

指纹法最大的问题是：

数据采集成本高；
环境变化后指纹漂移；
不同终端设备的指纹分布不一致。

这正是后来机器学习和迁移学习进入该领域的重要原因。

7. 机器学习在蓝牙定位里到底解决了什么

7.1 不是"为了高级"，而是为了拟合复杂映射

当使用 KNN、SVM、随机森林、神经网络时，本质上都在逼近：

p^=f(r) \hat{\mathbf{p}} = f(\mathbf{r}) p^=f(r)

其中：

r\mathbf{r}r 是 RSSI 向量；
p^\hat{\mathbf{p}}p^ 是估计位置。

如果再加入时间信息：

p^t=f(rt−T+1,...,rt) \hat{\mathbf{p}}t = f(\mathbf{r}{t-T+1},\ldots,\mathbf{r}_t) p^t=f(rt−T+1,...,rt)

这时模型学习的是"时序指纹到位置"的映射，RNN/LSTM 这类方法就更合理。

7.2 机器学习相对几何法的优势

它不强依赖显式的传播公式，而是可以直接建模：

多径引起的非线性；
不同锚点对位置的不同敏感性；
时序动态结构；
非高斯噪声；
高维特征之间的相关性。

7.3 但它也引入了新的问题

最典型的三个问题是：

域偏移：训练设备和部署设备不同；
场景漂移：家具、人流、门窗状态改变；
数据需求：没有足够样本时模型会不稳。

这就是"从 RSSI 校准到机器学习融合"的真正背景：

不是传统方法完全无效，而是单一方法不足以覆盖全部误差来源。

8. 融合思想：为什么研究越来越偏向多源信息

8.1 单一 RSSI 的可观测性有限

RSSI 只告诉你"某种强弱关系"，它对位置的观测本身是模糊的。

特别在：

锚点稀疏；
RSSI 抖动严重；
设备扫描速率低；
走廊/开放空间拓扑相似

时，多个位置点可能有相似 RSSI 模式。

8.2 融合的思想是"互补"

例如把 RSSI 与 PDR 融合：

RSSI：有绝对位置约束，但噪声大；
PDR：短时连续性强，但会累积漂移。

这时卡尔曼滤波或贝叶斯融合很自然：

若把 RSSI 给出的位置估计看作观测 zk\mathbf{z}kzk，把 PDR 轨迹看作状态预测 xk∣k−1\mathbf{x}{k|k-1}xk∣k−1，则：

x^k∣k=x^k∣k−1+Kk(zk−Hx^k∣k−1) \hat{\mathbf{x}}{k|k} = \hat{\mathbf{x}}{k|k-1} + K_k (\mathbf{z}k-H\hat{\mathbf{x}}{k|k-1}) x^k∣k=x^k∣k−1+Kk(zk−Hx^k∣k−1)

这里 RSSI 不是独自承担全部定位任务，而是作为一个噪声较大的观测源，被其他信息约束。

8.3 多源融合的根本收益

不是让每个单源都变得完美，而是让系统整体误差变小、鲁棒性更高。

9. 一张方法演化图

text 复制代码

RSSI原始测量
   |
   +--> 路径损耗模型 --> 距离估计 --> 几何定位
   |
   +--> 统计预处理 --> 指纹数据库 --> 匹配/分类/回归
   |
   +--> 时序特征/多源特征 --> 机器学习/深度学习 --> 融合定位

这不是"三选一"的关系，而是一个逐步增强的演化链条。

10. 怎样理解"从 RSSI 校准到机器学习融合"

可以把它看成三个层次。

层次一：参数层修正

目标：让基础传播模型尽量贴近现实。

代表方法：

标定 AAA；
标定 nnn；
静态滤波；
设备偏置修正。

层次二：观测层重构

目标：不再拘泥于单个 RSSI 值，而使用高维特征表示位置。

代表方法：

多锚点指纹；
时序滑窗；
均值/方差/分位数特征。

层次三：系统层融合

目标：把 RSSI 从"唯一定位依据"变成"多源证据之一"。

代表方法：

KF / EKF / 粒子滤波融合；
RSSI + PDR；
RSSI + Wi-Fi；
RSSI + 摄像头 / IMU / LTE。

11. 研究启示：什么时候该用哪一类方法

11.1 如果部署简单、要求中等、可解释性优先

优先考虑：

标定后的路径损耗模型；
多锚点最小二乘；
基础滤波。

11.2 如果环境复杂、误差结构明显非线性

优先考虑：

指纹法；
KNN / SVM / RF / MLP 等机器学习模型。

11.3 如果目标是长期稳定运行

优先考虑：

机器学习 + 域适应；
多源融合；
在线更新或自适应机制。

12. 本文结论

蓝牙定位精度提升的路线，不是简单的"旧方法不如新方法"，而是误差来源驱动的方法演化：

先用 RSSI 标定修正最基本的传播偏差；
再用指纹与机器学习吸收复杂非线性；
最后通过多源融合解决单一 RSSI 的可观测性不足与泛化问题。

所以真正成熟的系统设计思路应该是：

先把传播模型理解清楚，再决定要不要上机器学习；先把单源局限讲清楚，再谈融合。

参考文献

T. S. Rappaport, Wireless Communications: Principles and Practice, 2nd ed., Prentice Hall, 2002.
Angelos Chatzimichail et al., "RSSI Fingerprinting Techniques for Indoor Localization Datasets," in Internet of Things, Infrastructures and Mobile Applications, 2020.
Hassoon Salman Fahama et al., "An Experimental Comparison of RSSI-Based Indoor Localization Techniques Using ZigBee Technology," IEEE Access, vol. 11, pp. 87985--87996, 2023.
Batyrbek Zholamanov et al., "RSSI Fingerprint-Based Indoor Localization Solutions Using Machine Learning Algorithms: A Comprehensive Review," Smart Cities, 2025, 8(5):153.
Mai Dinh Thi Thai et al., "Developing a Novel Real-Time Indoor Positioning System Based on BLE Beacons and Smartphone Sensors," IEEE Sensors Journal, 2021.
Jun Yan, Zheng Huang, Xiaohuan Wu, "Smartphone-Based Indoor Localization Using Machine Learning and Multisource Information Fusion," IEEE Transactions on Aerospace and Electronic Systems, vol. 60, no. 3, pp. 2722--2734, 2024.