BLE RSSI 定位公开数据集调研

1. 可用数据集

1.1 Position-Annotated BLE RSSI Dataset ⭐⭐⭐

字段	内容
URL	https://github.com/philotuxo/Position-Annotated-BLE-RSSI-Dataset
描述	分布式 BLE 传感器的 RSSI 数据，配备基于 AR-tag 双相机视觉定位的高精度真值（~0.04 m 中位精度）
数据	RSSI 读数、真值位置、概率射频地图（Wasserstein 插值）、占用地图、传感器配置
更新	2024 年 12 月
许可	CC0-1.0（公共领域）
匹配度	分布式 BLE 传感器 + 高精度真值，最接近 Problem 1 的优化场景

1.2 Kaggle Indoor Location & Navigation Competition ⭐⭐⭐

字段	内容
URL	https://www.kaggle.com/competitions/indoor-location-navigation
描述	微软研究院举办的智能手机室内定位竞赛，多场地多楼层
数据	BLE iBeacon RSSI（UUID, Major/Minor, TxPower, RSSI, distance） + WiFi RSSI + IMU（加速度计、陀螺仪）+ 磁力计 + 楼层平面图
规模	多场地，GB 级
年份	2021
格式	带时间戳的 TXT 传感器轨迹 + 楼层图（PNG）+ 元数据（JSON, GeoJSON）

1.3 Indoor Location Competition 2.0

字段	内容
URL	https://github.com/location-competition/indoor-location-competition-20
描述	Kaggle 竞赛的后续版本，传感器数据更丰富
数据	WiFi RSSI/SSID/BSSID + BLE iBeacon + IMU + 磁力计
规模	2 个场地，多楼层
年份	2021

1.4 UCI BLE RSSI Dataset (iBeacon) ⭐⭐

字段	内容
URL	https://archive.ics.uci.edu/ml/datasets/BLE+RSSI+Dataset+for+Indoor+localization+and+Navigation
描述	西密歇根大学 Waldo 图书馆中 13 个 iBeacon 的 RSSI 读数
数据	BLE RSSI 值（-200 = 超出范围）、位置网格标签、时间戳
规模	6,611 条（1,420 有标签 + 5,191 无标签），15 个特征，145 KB
年份	2017–2018
格式	CSV
适用	简单干净，适合初步算法验证

1.5 UCI BLE RSSI Dataset (iTAG) ⭐⭐

字段	内容
URL	https://archive.ics.uci.edu/dataset/607
描述	智能手机对 BLE 设备（iTAG）的 RSSI 测量与位置追踪
数据	BLE RSSI、设备位置标签
规模	23,570 条，5 个特征
年份	~2020–2021
适用	手机→BLE 设备方向，最接近"找设备"场景

1.6 UJIndoorLoc（WiFi 基线参考）

字段	内容
URL	https://archive.ics.uci.edu/ml/datasets/UJIndoorLoc
描述	多建筑多楼层 WiFi 指纹数据集
数据	520 个 WiFi AP 的 RSSI + 建筑/楼层/位置标签
规模	21,048 条，529 个特征
年份	2014
注意	仅 WiFi（无 BLE），但广泛用作室内定位研究基线

2. "找设备"相关资源

资源	URL	说明
OpenHaystack	https://github.com/seemoo-lab/openhaystack	Apple Find My 研究框架，可创建自定义 AirTag 类设备。关联论文 "Who Can Find My Devices?"（PETS 2021）研究了 Apple 众包 BLE 定位系统。无公开数据集，但提供自行采集数据的工具
Apple Find My Accessory Spec	Apple 开发者文档	BLE 众包定位协议规范，可用于理解数据格式

3. 关键缺口

没有公开数据集完全复现 Problem 1 的场景：一个丢失的 BLE 设备 + 多个路过好心人手机各自报告 RSSI 和自身 GPS 位置。

4. 模拟策略

可基于现有数据集构造 Problem 1 测试场景：

1. 基于 UCI/Kaggle 数据：取 BLE RSSI 读数作为基础，将每个信标位置视为"好心人位置"，人工添加 GNSS 级噪声（σ = 5–15 m），构造 errors-in-variables 测试场景
2. 完全合成：用对数距离路径损耗模型生成 RSSI，对 $I_i$ 和 $f(r_i)$ 分别加噪，可控制信噪比、好心人数量、几何分布等参数
3. 半实物：用 OpenHaystack 部署 BLE 设备，用多部手机采集真实数据