第五篇RSSI 算法专讲——指纹库里的“概率游戏”与 CRLB 的现实背离本系列文章基于 IEEE 论文Zixia Shang, “Predictive Multimodal Wireless Localization Algorithm on a Two-Dimensional Plane based on MATLAB,”2023 5th International Conference on Geoscience and Remote Sensing Mapping (GRSM), pp.116-119, 2023. [Online]. Available: https://ieeexplore.ieee.org/document/10425387一、RSSI抛开时间与角度用“体感”定位在前四篇中我们探讨的TOA时间、TDOA时间差和AOA角度都属于物理测量范畴它们依赖精确的时钟或阵列校准极度依赖视距LOS环境。RSSIReceived Signal Strength Indicator接收信号强度指示则换了一个赛道它不测量时间也不测量角度只测量“信号有多强”。RSSI 的核心逻辑是信号在空气中传播时会衰减距离越近信号越强。如果我们事先知道信号“走了多远会衰减多少”就可以反推出距离。RSSI 最大的优势是无需额外硬件——几乎所有无线通信芯片Wi-Fi、蓝牙、ZigBee、4G/5G 模组都能直接读取 RSSI 值成本极低功耗极小。然而它的致命弱点是极其不稳定——同一位置、同一设备在不同时刻测得的 RSSI 可能相差 5~10dBm对应距离误差可能高达数米。二、RSSI 定位的两条技术路线RSSI 定位在工程上主要分为两条路线路线原理代表方法适用场景测距法参数化将 RSSI 代入路径损耗模型 → 估算距离 → 三边定位TOA 类算法如 LLOP环境稳定、模型参数已知指纹法非参数化预先采集网格点的 RSSI“指纹” → 实测指纹与数据库匹配KNN / WKNN / NN环境复杂、多径严重室内在本篇中我们将重点聚焦于指纹法因为它是 RSSI 定位中最具鲁棒性、最贴合实际工程应用的方案。三、指纹定位的核心流程3.1 离线阶段构建指纹数据库在离线阶段我们在定位区域内按网格如 10m × 10m布设参考点在每个参考点上采集来自各个基站的 RSSI 值形成“指纹向量”。以下代码来自untitled4.m中的RSSIdatabaseone函数完整实现了指纹数据库的生成%% RSSI 指纹数据库离线构建function[X]RSSIdatabaseone(BS,SDRM)% 输入参数% BS : 基站坐标矩阵 [N x 2]% SDRM : RSSI 测量的标准差阴影衰落% 输出% X : 指纹数据库 [网格点坐标 RSSI 向量]PLd00;% 参考距离 d01m 处的路径损耗 (dB)np3;% 路径损耗指数环境相关[N,~]size(BS);times5;% 每个点采样 5 次取平均降噪coordinate[];RSSII1[];% 在 500m x 500m 区域内按 10m 步长生成网格fori0:10:500forj0:10:500coordinate1[i,j];coordinate[coordinate;coordinate1];% 计算网格点到各基站的欧氏距离distance1BS-ones(N,1)*coordinate1;distance2sum(distance1.^2,2);distancedistance2.^(1/2);% 对数距离路径损耗模型含阴影衰落fork1:timesrssi(:,k)PLd0-10*np*log10(distance)-...10^(SDRM/10)*randn(N,1);end% 多次测量取平均抑制短期波动RSSmeasurementmean(rssi,2);RSSII1[RSSII1;RSSmeasurement];endend% 数据库格式[x坐标, y坐标, RSSI_BS1, RSSI_BS2, ...]X[coordinate,RSSII1];end代码解析路径损耗模型公式RSSIPL(d0)−10⋅n⋅log⁡10(d)−XσRSSI PL(d_0) - 10 \cdot n \cdot \log_{10}(d) - X_\sigmaRSSIPL(d0​)−10⋅n⋅log10​(d)−Xσ​XσX_\sigmaXσ​是对数正态阴影衰落用10^(SDRM/10) * randn模拟多次平均times5是为了模拟工程中常用的“滑动平均滤波”3.2 在线阶段实测指纹匹配当 MS 发出定位请求时它会上报一个实测的 RSSI 向量。系统需要在指纹数据库中找出“最像”的那个点或几个点作为位置估计。三种最经典的匹配算法是NNNearest Neighbor最近邻找 RSSI 欧氏距离最小的那一个指纹点。KNNK-Nearest NeighborsK 最近邻找距离最小的 K 个点取平均。WKNNWeighted K-Nearest Neighbors加权 K 最近邻找距离最小的 K 个点按距离倒数加权取平均。%% 在线匹配KNN / WKNN / NN 核心代码来自 untitled4.m% 实测 RSSI 向量RSSI1% 指纹数据库X% 计算实测向量与所有指纹点的欧氏距离[N,~]size(X);forj1:NMobilestationBasestationdistance(j)norm(X(j,3:end)-RSSI1);end% 按距离从小到大排序[CRSSI,IRSSI]sort(MobilestationBasestationdistance);% 1. KNN KN3;% K 值取 3MatchresultX(IRSSI(1:KN),1:2);% 取前 K 个指纹点的坐标estimate1mean(Matchresult);% 简单平均RMSError1(i)norm(estimate1-MobilesStation);% 2. WKNN weight1./CRSSI(1:KN);% 权重 距离的倒数weightweight/sum(weight);% 归一化estimate2sum([weight.*Matchresult(:,1),...weight.*Matchresult(:,2)]);RMSError2(i)norm(estimate2-MobilesStation);% 3. NN estimate3X(IRSSI(1),1:2);% 仅取距离最近的一个点RMSError3(i)norm(estimate3-MobilesStation);四、仿真结果CDF 曲线揭示的“隐秘规律”4.1 累积分布函数CDF的计算我们可以通过 1000 次蒙特卡洛仿真统计了不同定位误差下的概率分布%% 计算 CDF累积分布函数RSSRMSerror0:20;% 误差横轴范围0 ~ 20mfori1:length(RSSRMSerror)A10;A20;A30;forj1:Runtimes-5ifRMSError1(j)RSSRMSerror(i)A1A11;% KNN 计数endifRMSError2(j)RSSRMSerror(i)A2A21;% WKNN 计数endifRMSError3(j)RSSRMSerror(i)A3A31;% NN 计数endendKNearestNeighbor(i)A1/Runtimes;WeightedKNearestNeighbors(i)A2/Runtimes;NearestNeighbors(i)A3/Runtimes;end% 绘制 CDF 曲线figure;semilogx(RSSRMSerror,KNearestNeighbor,-O,...RSSRMSerror,WeightedKNearestNeighbors,-s,...RSSRMSerror,NearestNeighbors,-x);xlabel(定位误差 (m));ylabel(累积分布函数 CDF);legend(KNN (K3),WKNN (K3),NN);title(RSSI 三种匹配算法的 CDF 对比);grid on;4.2 论文结论深度解读根据论文的仿真结果CDF 曲线排序由优到劣NN最近邻 WKNN加权 K 近邻 ≈ KNNK 近邻这似乎反直觉——为什么最简单的 NN 反而表现最好而考虑了更多邻居信息的 KNN/WKNN 反而更差本质原因RSSI 指纹的“空间模糊性”。在室内/城市环境中RSSI 的空间自相关性很强——相隔 10m 的两个点RSSI 向量可能几乎一模一样因为障碍物、反射路径相似。KNN / WKNN 取平均时会把“看起来像但实际相距较远”的邻近点也纳入平均导致估计结果被“拉偏”。NN 只取距离最小的那一个点虽然单个点的误差可能较大但在统计意义上它不会引入来自较远区域的平均污染。五、理想 VS 现实路径损耗指数的“未知之痛”5.1 核心代码理想模型 vs 实际估计我们对比了两种场景理想场景路径损耗指数nnn和参考距离损耗PL(d0)PL(d_0)PL(d0​)是已知的n3,PL00n3, PL_00n3,PL0​0现实场景路径损耗指数nnn和PL(d0)PL(d_0)PL(d0​)是未知的需要利用基站之间的 RSSI 测量值在线估计%% 理想 vs 现实路径损耗参数未知的影响standarddeviationRSS[0,2,4,6];% 不同阴影衰落标准差forj1:length(standarddeviationRSS)standarddeviationRSS1standarddeviationRSS(j);fori1:Runtimes% 测量过程省略...% 理想情况参数已知 RSSIr110.^((RSSI1-PLd0)/(-10*np));% 现实情况参数未知需要估计 [p_est,n_est]Bestestimateparameter(RSSIA,standarddeviationRSS1);RSSIr210.^((RSSI1-p_est)/(-10*n_est));% 分别定位RSSItheta1TOALLOPAlgorithms(RSSIA,RSSIr1,1);RSSItheta2TOALLOPAlgorithms(RSSIA,RSSIr2,1);% 累积误差...endend5.2 参数估计函数实现Bestestimateparameter函数通过线性回归从基站间的 RSSI 测量值中估计nnn和PL0PL_0PL0​%% 从实测数据中估计路径损耗参数function[pld0estimate,nestimate]Bestestimateparameter(BS,SDRM)[N,~]size(BS);pld00;np3;Hh1[];Gg1[];fori1:Nforj1:Nifi~j% 基站间真实距离distance(i,j)norm(BS(i,:)-BS(j,:));% 模拟基站间 RSSI 测量含噪声fork1:5plrd(k)pld0-10*np*log10(distance(i,j))-...10^(SDRM/10)*randn;endRSSImean(plrd);% 构造线性回归方程RSSI PL0 - 10*n*log10(d)Hh1[Hh1;RSSI];Gg1[Gg1;-10*log10(distance(i,j))];endendend% 最小二乘线性回归[PL0, n]^T (G*G)^(-1) * G * HGg[ones(length(Hh1),1),Gg1];Xxinv(Gg*Gg)*Gg*Hh1;pld0estimateXx(1,1);nestimateXx(2,1);end5.3 仿真结论理想与现实的“鸿沟”论文图RSSI Ideal VS RSSI Real揭示阴影衰落标准差 (dB)理想 RMSE (m)现实 RMSE (m)性能恶化倍数0~10~151.5×2~20~351.75×4~35~65~1.86×6~50~90~1.8×关键洞察在理想情况下RSSI 定位仍存在约 10~50m 的误差受阴影衰落XσX_\sigmaXσ​主导。当nnn和PL0PL_0PL0​需要在线估计时参数估计误差会“串扰”到定位结果中使得 RMSE 进一步放大 1.5~2 倍。两者曲线之间的“间隙”正是RSSI 指纹定位无法突破的工程瓶颈——环境时变特性决定了其精度的上界。六、RSSI 的“CRLB”不是几何而是环境对于 TOA/TDOA/AOACRLB 主要受几何布局GDOP和信噪比SNR支配。但 RSSI 完全不同RSSI 的 CRLB 由阴影衰落的方差σdB2\sigma_{dB}^2σdB2​和路径损耗指数nnn的估计精度决定。对于对数距离路径损耗模型PL(d)PL010nlog⁡10(d)XσPL(d) PL_0 10n \log_{10}(d) X_\sigmaPL(d)PL0​10nlog10​(d)Xσ​其距离估计的 CRLB 可近似表示为Var(d^)≈(ln⁡1010n⋅d⋅σdB)2 \text{Var}(\hat{d}) \approx \left( \frac{\ln 10}{10n} \cdot d \cdot \sigma_{dB} \right)^2Var(d^)≈(10nln10​⋅d⋅σdB​)2物理含义距离ddd越大CRLB 越大远距离测距天然不准阴影衰落σdB\sigma_{dB}σdB​越大CRLB 越大环境越复杂精度上限越低路径损耗指数nnn越大CRLB 越小衰减越陡峭距离对 RSSI 越敏感这也解释了为什么RSSI 通常只用于室内定位或室外辅助定位——在开阔室外n≈2n \approx 2n≈2衰减慢RSSI 随距离变化不明显CRLB 极高在室内n≈3.5∼5n \approx 3.5 \sim 5n≈3.5∼5衰减快RSSI 随距离变化敏感CRLB 相对较低。七、本章小结对比维度TOA/TDOA/AOARSSI指纹法测量物理量时间 / 角度信号功率 (dBm)硬件要求高精确时钟/阵列低几乎零成本LOS 依赖极强弱非视距也能匹配指纹精度上限 (CRLB)由 SNR GDOP 决定由环境阴影衰落方差决定最佳匹配算法WLS / TaylorNN最近邻适用场景开阔室外 LOS室内 / 城市峡谷 NLOS主要缺陷受多径影响严重环境时变导致指纹漂移参考文献[1] Z. Shang, “Predictive Multimodal Wireless Localization Algorithm on a Two-Dimensional Plane based on MATLAB,” in2023 5th International Conference on Geoscience and Remote Sensing Mapping (GRSM), 2023, pp. 116-119. [Online]. Available: https://ieeexplore.ieee.org/document/10425387[2] J. Yang et al., “An Adaptive Calibration Algorithm Based on RSSI and LDPLM for Indoor Ranging and Positioning,”Sensors, vol. 22, no. 15, pp. 5689, 2022. 下篇预告最终章第六篇终章加权融合——当 TOA 遇上 RSSI如何利用 CRLB 做“最优加权”这是本系列的收官之作我们将展示如何将 TOA-CHAN最准测距与 RSSI-NN最稳指纹进行融合复现论文中29% 精度提升的惊艳成果并探讨基于Fisher 信息矩阵叠加的终极融合框架。敬请期待 思考题为什么在 RSSI 指纹匹配中WKNN 的表现反而不如简单的 NN如果用“余弦相似度”替代欧氏距离来匹配指纹结果会改善吗提示考虑 RSSI 向量的“方向”与“模长”谁更稳定