BLE RSSI 与距离关系调研报告

1. RSSI 概述

RSSI (Received Signal Strength Indicator) 是接收端测量到的射频信号功率，单位为 dBm（相对于 1 mW 的分贝值），是一个对数尺度：

dBm	功率	信号强度
0 dBm	1 mW	参考值
-30 dBm	~1 µW	极强（近距离）
-70 dBm	~100 pW	中等
-100 dBm	~0.1 pW	极弱（接近噪声底）

RSSI 不仅用于 WiFi，蓝牙（BLE/经典蓝牙）、ZigBee、LoRa 等所有无线协议均使用 RSSI 来表征信号强度。

2. BLE RSSI 测量机制

2.1 测量原理

BLE 无线芯片在 PHY 层 接收数据包时，在前导码（preamble）或接入地址（access address）期间采样信号功率并上报给协议栈。

2.2 广播信道

BLE 使用 3 个广播信道：

信道	频率	备注
37	2402 MHz	避开 WiFi 信道 1
38	2426 MHz	避开 WiFi 信道 6
39	2480 MHz	避开 WiFi 信道 11

三个信道故意分散在 2.4 GHz ISM 频段中以对抗窄带干扰。同一设备在不同广播信道上的 RSSI 可相差 2–5 dB（频率选择性衰落）。

2.3 典型 BLE RSSI 值

距离 / 场景	典型 RSSI
贴近 (~5 cm)	-20 ~ -35 dBm
1 米（视距）	-40 ~ -60 dBm
3 米（室内）	-55 ~ -75 dBm
10 米（室内）	-70 ~ -85 dBm
20+ 米 / 遮挡	-85 ~ -100 dBm
检测极限	~ -95 ~ -105 dBm

2.4 发射功率（TX Power）

BLE 设备可配置发射功率，典型范围 -20 dBm 到 +8 dBm（BLE 5.0 长距模式可达 +20 dBm）。TX Power 通常嵌入广播包的 AD Type 0x0A 字段中，使接收端可计算 路径损耗 = TX Power − RSSI。

2.5 测量精度

• 蓝牙规范要求 RSSI 精度 ±6 dB（较粗）
• 现代芯片（Nordic nRF52/53, TI CC26xx, ESP32）实际精度约 ±2–3 dB
• RSSI 通常以 1 dB 分辨率的整数 上报
• 固定距离下的短期方差：σ ≈ 2–6 dB（取决于环境）

3. 路径损耗模型：RSSI → 距离

3.1 自由空间路径损耗（Friis 方程）

理想自由空间（无反射、无障碍）：

$$FSPL(d) = 20 \log_{10}(d) + 20 \log_{10}(f) - 147.55 \text{ (dB)}$$

对 BLE 频率 2.44 GHz：

$$FSPL(d) = 20 \log_{10}(d) + 40.05 \text{ (dB)}$$

在 1 m 处约 40 dB，10 m 处约 60 dB。仅适用于开阔视距场景，严重低估室内路径损耗。

3.2 对数距离路径损耗模型（核心模型）

BLE 定位文献中最广泛使用的模型：

$$RSSI(d) = A - 10n \cdot \log_{10}(d)$$

其中：

• A = 参考距离 d₀ = 1 米处的 RSSI（也称 "measured power"）
• n = 路径损耗指数（Path Loss Exponent, PLE）
• d = 距离（米）

反求距离：

$$d = 10^{(A - RSSI) / (10n)}$$

3.3 参数 A —— 1 米处 RSSI

A 取决于 发射功率、天线增益、设备硬件：

设备 / 配置	典型 A (dBm)
高功率信标（TX +4 dBm）	-40 ~ -45
标准信标（TX 0 dBm）	-50 ~ -55
智能手机 BLE（TX -6~0 dBm）	-55 ~ -65
低功率信标（TX -12 dBm）	-65 ~ -75

关键：A 必须逐设备或逐设备类别标定。 使用通用值会引入 3–8 dB 系统误差。

3.4 路径损耗指数 n —— 不同环境取值

环境	典型 n	说明
自由空间	2.0	理论理想值
室外开阔（视距）	1.8 – 2.2	地面反射可导致 n < 2
室内开放办公区	2.0 – 2.5	隔断、稀疏家具
室内走廊	1.5 – 1.8	波导效应降低损耗
室内住宅	2.5 – 3.5	墙壁、家具、人体
密集室内（仓库、商场）	3.0 – 4.0	货架、重度 NLOS
穿墙（1 面墙）	3.0 – 3.5	每面墙额外增加 3–12 dB
工业 / 工厂	3.5 – 4.5+	金属结构、严重多径

注意：n 不仅在不同建筑间变化，在同一建筑的不同房间、甚至不同时段（人员密度变化）都会不同。

3.5 模型扩展

对数正态阴影衰落（Shadowing）：

$$RSSI(d) = A - 10n \cdot \log_{10}(d) + X_\sigma$$

其中 $X_\sigma \sim \mathcal{N}(0, \sigma^2)$，室内 σ 典型值 3–8 dB。这是距离估计误差的主要来源。

多斜率模型： 对不同距离段使用不同的 n（如 d < 5m 时 n=2.0，d > 5m 时 n=3.5），更贴合 BLE 实测数据。

ITU-R P.1238 室内传播模型： 显式增加楼层/墙壁穿透损耗项。

4. 影响 BLE RSSI 精度的因素

4.1 多径衰落（最主要误差源）

室内信号经墙壁、地板、天花板、物体反射产生构造性/破坏性干涉。2.4 GHz 频段在 λ/2 ≈ 6 cm 的距离内即可出现 ±10–20 dB 的快速衰落（Rayleigh/Rician 衰落），使单次 RSSI 采样无法可靠估计距离。

4.2 人体吸收

人体约 60% 水分，强烈吸收 2.4 GHz 辐射：

• 人体遮挡：人站在收发之间可衰减 10–25 dB
• 设备持握方式：手机在口袋 vs 手持 vs 背包可产生 5–15 dB 差异
• 拥挤环境：路径中每增加一个人体平均增加 3–8 dB 损耗

4.3 天线方向和极化

BLE 芯片天线通常为线性极化，非全向辐射：

• 天线增益变化：±6–10 dB
• 极化失配：最高可达 20 dB 损耗
• 手机横/竖放：可改变 5–8 dB

4.4 同频干扰

2.4 GHz ISM 频段拥挤（WiFi、微波炉、ZigBee、其他 BLE）：

• WiFi 信道与 BLE 广播信道部分重叠（如信道 39 在 2480 MHz 与 WiFi 信道 11 重叠）
• 干扰抬高噪声底，降低 RSSI 有效动态范围

4.5 硬件差异

• 设备间 RSSI 偏差：同型号手机因天线布置、外壳设计、RF 前端差异可产生 2–8 dB 偏移
• 芯片差异：不同 BLE 芯片的 RSSI 测量实现不同（平均窗口、AGC 行为）

5. 定位方法

5.1 三边测量 / 多边测量（基于测距）

1. 利用路径损耗模型将每个信标的 RSSI 转换为距离估计
2. 求解距离圆（2D）或距离球（3D）的交点
3. 因估计含噪，使用最小二乘或加权最小二乘求解

变体：

• 标准三边测量：需 ≥3 个已知位置的信标
• 加权三边测量：按 1/σ² 加权（近距信标权重更高）
• IRLS（迭代重加权最小二乘）：通过降权大残差来鲁棒处理异常值（Huber、Tukey 双权 M-估计器）

典型精度：室内 2–5 m。

5.2 指纹法（场景分析）

离线阶段：在已知网格点采集所有可见信标的 RSSI 向量，构建"无线电地图"。

在线阶段：将新 RSSI 观测匹配至最近的指纹：

• k-NN：在 RSSI 空间中找 k 个最近邻
• 概率方法：高斯/核密度估计计算 P(位置 | RSSI 向量)
• 机器学习：在指纹库上训练分类器/回归器

优势：无需显式路径损耗建模，精度 1–3 m。劣势：采集费力，无线电地图随时间退化。

5.3 混合方法

现代系统通常结合三边测量与指纹法，或配合 IMU 行人航位推算（PDR）进行融合。

6. 先进算法

6.1 卡尔曼滤波

扩展卡尔曼滤波（EKF） 是 BLE 位置追踪中最广泛使用的方法：

• 状态量：[x, y, vx, vy]（位置 + 速度）
• 观测模型：非线性（RSSI → 距离 → 位置）
• 平滑 RSSI 噪声，提供轨迹连续性

无迹卡尔曼滤波（UKF） 避免 EKF 的线性化误差，在 BLE 强非线性场景中越来越常用。

RSSI 级卡尔曼滤波：在距离转换前先对原始 RSSI 进行滤波，将 RSSI 视为"真实 RSSI"的含噪观测。

6.2 粒子滤波

• 天然处理非高斯、多模态分布
• 可融入楼层平面图约束（穿墙粒子被淘汰）
• 计算量更大但在复杂室内环境中更鲁棒
• 典型实现：500–5000 粒子

6.3 机器学习方法

• CNN/DNN 回归器：输入 = N 个信标的 RSSI 向量 → 输出 = (x, y)，中位精度 1–2 m
• LSTM/GRU：处理 RSSI 时间序列进行轨迹估计
• Transformer：自注意力机制捕获信标间空间关系（2024 年后新兴方向）
• 高斯过程回归（GPR）：将 RSSI 场建模为 GP，同时提供位置估计和不确定性量化

6.4 BLE 5.1 到达角（AoA）/ 出发角（AoD）

BLE 5.1 的方向发现功能利用天线阵列提取相位信息，比纯 RSSI 本质上信息量更大，可实现 亚米级精度。

7. 精度极限

7.1 单次 RSSI 读数的距离估计精度

真实距离	典型误差 (σ)	90th 百分位误差
1 m	±0.5 – 1.5 m	~2 m
5 m	±2 – 5 m	~6 m
10 m	±4 – 10 m	~12 m
20 m	±8 – 20 m	几乎不可用

根本问题：由于对数关系，±6 dB 的 RSSI 误差在 10 m（n=2）处对应距离估计范围 ~5 m 到 ~20 m——4:1 的不确定比。

重要澄清：误差与距离的关系，而非信号强度。 RSSI 的绝对测量精度（dB）不随距离显著变化——在 1m 和 10m 处波动幅度类似（±6 dB）。但由对数模型反求距离时，同样的 dB 波动在远距离处产生远大于近距离的绝对误差：

真实距离	±6 dB 对应距离范围 (n=2)	绝对误差	不确定比
1 m	0.5 – 2 m	±1 m	4:1
10 m	5 – 20 m	±10 m	4:1
50 m	25 – 100 m	±50 m	4:1

不确定比恒为 4:1，但绝对误差与距离成正比。信号弱只是"远"的表现，不是误差的直接原因。这意味着在加权优化中，近距离报告者应获得更高权重——不仅因为信号强，更因为其距离估计的绝对精度本质上更高。

7.2 多信标定位精度

方法	典型精度（中位）	环境
原始 RSSI 三边测量（≥3 信标）	3 – 5 m	室内
RSSI + 卡尔曼滤波	2 – 4 m	室内
RSSI 指纹法（密集采集）	1 – 3 m	已采集室内
ML 增强指纹法	1 – 2 m	已采集室内
RSSI + IMU 融合	1.5 – 3 m	室内移动
BLE 5.1 AoA/AoD	0.3 – 1 m	天线阵列部署

7.3 理论下界（Cramér-Rao 下界）

对数正态阴影下（σ = 4 dB, n = 2）RSSI 测距的最小可达距离标准差：

$$\sigma_d \geq \frac{d \cdot \sigma_{dB} \cdot \ln(10)}{10n} \approx 0.46 \cdot d$$

即使使用完美算法，RSSI 测距误差与真实距离成线性关系（约 46% 的 d），这是物理层面的根本限制。

8. 好心人自身定位误差（锚点误差）

优化问题中好心人位置 $I_i$ 并非精确值，其来源和精度：

定位方式	典型精度	场景
GNSS（GPS/北斗/GLONASS/Galileo）	3–5 m（开阔），10–30 m（城市遮挡）	室外
WiFi 定位（AP 指纹/三边测量）	5–15 m	室内
蜂窝基站	100 m – 1 km+	兜底

手机通常融合以上多种信号输出位置。Android/iOS 均会返回一个 accuracy（精度估计） 字段，表示 68% 置信半径。

8.1 双重噪声问题

这意味着优化目标：

$$\hat{x} = \argmin_x \sum_i w_i \bigl(f(r_i) - |x - I_i|_2\bigr)^2$$

存在两层噪声：

1. $f(r_i)$：RSSI → 距离转换误差（路径损耗模型不精确、多径、遮挡）
2. $I_i$：好心人 GNSS/WiFi 定位误差（锚点位置不精确）

在统计学上这属于 errors-in-variables（变量含误差） 问题，比标准最小二乘假设（仅观测值有噪声、自变量精确）更难。当好心人在室内时，WiFi 定位误差 ~10m 与 RSSI 测距误差量级相当，忽略 $I_i$ 误差会导致系统性偏差。

8.2 应对策略

• 利用精度估计加权：将好心人上报的 accuracy 字段纳入权重 $w_i$，定位精度差的报告获得更低权重
• 联合优化：将 $I_i$ 也视为待估参数（但会大幅增加问题维度，适用于报告者较少时）
• 鲁棒方法：Huber M-estimator 能部分吸收锚点误差——$I_i$ 不准的报告产生大残差，自动被降权

9. 对本项目（Problem 1）的启示

1. RSSI 室内精度极限约 2–5 m，算法优化无法完全克服物理限制
2. 对数距离模型是标准方法，但参数 A 和 n 需逐环境/逐设备标定
3. 时间平均（5–20 个样本）按 √N 降低噪声方差，但无法消除多径偏差
4. IRLS + 鲁棒 M-估计器 非常适合处理 NLOS 条件下的异常 RSSI 读数
5. 多报告者（"好心人"模型）通过几何多样性提升精度，即使单个 RSSI 估计很差
6. 卡尔曼滤波对追踪移动目标至关重要——提供时间平滑和轨迹连续性
7. 众包场景下设备异构性（不同手机的 A 值不同）是关键挑战，需要自适应或鲁棒方法处理