1. RSSI测距原理与实战建模无线信号在传播过程中会随着距离增加而衰减这个特性就像你离音响越远听到的声音越小一样。RSSIReceived Signal Strength Indicator测距就是利用这个原理通过测量接收到的信号强度来估算距离。在实际项目中我常用Log-Normal信号衰减模型它的数学表达式如下import numpy as np def rssi_to_distance(rssi, tx_power, n2.0, d01.0): RSSI转距离计算公式 :param rssi: 接收信号强度(dBm) :param tx_power: 参考距离d0处的信号强度(dBm) :param n: 路径损耗指数(2-4) :param d0: 参考距离(米) :return: 估算距离(米) return d0 * 10**((tx_power - rssi) / (10 * n))这里的关键参数路径损耗指数n需要特别注意。在空旷环境中n≈2但在办公室这类多障碍物场景n值可能达到3-4。我在一次仓库定位项目中通过实测数据拟合发现n2.7时误差最小。建议先用校准设备实测几组数据用最小二乘法拟合出适合当前环境的n值。噪声处理是另一个重点。实测中RSSI值会有波动就像你测体重时指针会轻微摆动一样。我通常采用滑动窗口滤波def smooth_rssi(rssi_readings, window_size5): 滑动平均滤波处理RSSI波动 return np.convolve(rssi_readings, np.ones(window_size)/window_size, modevalid)2. 多边定位算法实现与误差分析当获得多个锚节点已知位置的参考点的距离估算后就可以玩一个圆圈相交的游戏——多边定位。想象你在地图上画几个圆它们的交点就是你的位置。但由于测距误差这些圆往往不会完美相交这时候就需要数学优化。我推荐使用加权最小二乘法给质量更高的测量结果更大权重。下面是核心代码def multilateration(anchors, distances, weightsNone): 多边定位算法实现 :param anchors: 锚节点坐标数组 [[x1,y1], [x2,y2],...] :param distances: 到各锚节点的估算距离 [d1, d2,...] :param weights: 各测量结果的权重(可选) :return: 目标位置估计 [x,y] anchors np.array(anchors) A 2 * (anchors[1:] - anchors[0]) b (anchors[1:]**2).sum(axis1) - (anchors[0]**2).sum() \ - distances[1:]**2 distances[0]**2 if weights is not None: W np.diag(weights[1:]) A np.dot(W, A) b np.dot(W, b) return np.linalg.lstsq(A, b, rcondNone)[0] anchors[0]在实际测试中我发现锚节点布局对精度影响很大。有一次在10m×10m区域测试时把4个锚节点都放在墙角定位误差高达2.3米。后来改用三角形外加点布局误差立刻降到0.8米以内。建议锚节点尽量分散且不要全部共面。3. 误差优化实战技巧3.1 动态权重策略不是所有测量结果都同样可靠。离得近的锚节点通常更准确我常用反距离权重def calc_weights(distances, alpha1.5): 距离越近权重越高 return 1 / (np.array(distances)**alpha)3.2 路径损耗指数校准环境变化会影响信号衰减特性。我开发了一个自动校准方法def calibrate_path_loss(known_distances, rssi_readings, d01.0): 校准路径损耗指数n :param known_distances: 已知距离数组 [d1, d2,...] :param rssi_readings: 对应RSSI测量值 [rssi1, rssi2,...] :param d0: 参考距离 :return: 最优n值 X np.log10(np.array(known_distances)/d0).reshape(-1,1) y (rssi_readings[0] - np.array(rssi_readings)).reshape(-1,1) return (10 * np.linalg.lstsq(X, y, rcondNone)[0][0,0])3.3 锚节点自优化当锚节点数量超过3个时可以尝试不同组合def optimize_anchor_selection(anchors, distances, min_anchors3): 尝试不同锚节点组合选择最优解 best_pos, min_error None, float(inf) for combo in itertools.combinations(zip(anchors, distances), min_anchors): a, d zip(*combo) pos multilateration(a, d) error np.std([np.linalg.norm(pos - ai) - di for ai,di in combo]) if error min_error: best_pos, min_error pos, error return best_pos4. 完整Python实现框架下面是我在多个项目中验证过的完整框架class RSSILocalizer: def __init__(self, anchors, tx_power-55, n2.0): self.anchors np.array(anchors) # 锚节点坐标 self.tx_power tx_power # 参考距离信号强度 self.n n # 路径损耗指数 self.rssi_window {} # 各锚节点RSSI滑动窗口 def update_rssi(self, anchor_id, rssi, window_size5): 更新RSSI测量值 if anchor_id not in self.rssi_window: self.rssi_window[anchor_id] [] self.rssi_window[anchor_id].append(rssi) if len(self.rssi_window[anchor_id]) window_size: self.rssi_window[anchor_id].pop(0) def get_position(self): 计算当前位置 valid_anchors [] distances [] for i, anchor in enumerate(self.anchors): if i in self.rssi_window and self.rssi_window[i]: avg_rssi np.mean(self.rssi_window[i]) d rssi_to_distance(avg_rssi, self.tx_power, self.n) valid_anchors.append(anchor) distances.append(d) if len(valid_anchors) 3: weights calc_weights(distances) return multilateration(valid_anchors, distances, weights) return None使用时只需# 定义锚节点位置 anchors [[0,0], [10,0], [5,10], [10,10]] localizer RSSILocalizer(anchors, tx_power-55, n2.4) # 模拟接收RSSI值 localizer.update_rssi(0, -65) # 锚点0的RSSI localizer.update_rssi(1, -70) # 锚点1的RSSI localizer.update_rssi(2, -63) # 锚点2的RSSI pos localizer.get_position() # 计算位置5. 实测效果与调参经验在办公室环境实测数据显示使用4个锚节点时平均误差约1.2米加入动态权重后误差降至0.8米优化锚节点布局后最佳可达0.5米精度调试时发现几个关键点n值对近距离敏感5米内n值变化0.1会导致约0.3米误差RSSI采样频率每秒5次采样配合滑动窗口效果最佳锚节点高度建议与待定位设备保持同一水平面有次调试时遇到奇怪现象——定位结果总是偏向某个方向。后来发现是墙角金属文件柜造成了信号反射通过在该锚节点权重中乘以0.7的衰减系数解决了问题。