文献深度调研报告

基于 literauture-research/ 中 31+ 篇论文的深度分析，聚焦对 Problem 1（众包 BLE 离线定位）最有价值的发现。

完整论文目录和元数据见 literauture-research/challenge1_literature/paper_catalog.tsv。

---

一、锚点不确定性建模 — 最核心

[R4] RSSI-Based Self-Localization with Perturbed Anchor Positions (Kumar et al., 2017)

闭式 WLS + 偏差修正。将圆方程线性化后做 WLS，核心创新：解析推导锚点噪声引入的偏差向量 c 并显式减去。权重矩阵 S 同时编码锚点位置方差（非中心卡方分布）和 RSSI 距离方差（对数正态）。

• 性能：40m×40m, 6 锚点, σ_a=0.5–5m → BC-WLS 的 RMSE 约为 RSSI-only WLS 的一半（~1.5m vs ~3m）
• 可作为轻量初始化阶段，后接非线性精炼

[R3] WLS-Based Self-Localization Using Perturbed Anchor Positions and RSSI Measurements (Kumar et al., 2017)

R4 的期刊扩展版，增加了迭代权重更新和更完整的 CRLB 分析。

[R5] Self-Localization of IoT Devices Using Noisy Anchor Positions and RSSI Measurements (Kumar & Arablouei, 2021)

迭代非线性 WLS。直接梯度下降优化非线性代价函数，避免线性化。权重公式结合 Rician 分布（锚点误差，使用 Laguerre 多项式 $L_{1/2}$）和对数正态分布（RSSI 误差），每次迭代更新。

• CRLB 分析：6 锚点足够；3 锚点 + σ_a≥3m 时 CRLB > 25m（不可用）
• 可直接作为静态场景求解器的基础

[R6] Experimental Validation of Cooperative RSS-based Localization with Unknown Transmit Power, Path Loss Exponent, and Precise Anchor Location (2024, arXiv:2406.14664)

最接近本题的大规模实验。50 BLE 节点，640m×180m 室外，RTK-GPS 地面真值。联合估计目标位置 + TX power + 路径损耗指数 PLE。目标函数含锚点位置正则项 $\delta_i^{-2}|s_i - \hat{s}_i|^2$，允许在优化中修正锚点位置——GPS 精度差的锚点（$\delta_i$ 大）被给予更多调整自由度。使用 SDP-SOCP 松弛求解非凸问题。

[R2] Geometric Interpretation of Theoretical Bounds for RSS-based Source Localization with Uncertain Anchor Positions (2016)

理论分析：锚点不确定性如何改变可达误差下界和几何条件。为方案可行性分析提供 CRLB 理论支撑。

对我们的启示

• 必须将好心人 GPS 位置视为含噪参数而非固定值（errors-in-variables 问题）
• [R4] 式闭式初始化 → [R5] 式迭代精炼 → [R6] 式联合参数估计，构成递进方案
• 关键差距：文献假设 σ_a ≤ 5m，我们的 Cell 定位可达 300m，需额外鲁棒机制（与 [R1] 的 Huber M-estimator 结合）

---

二、RSSI 物理极限

[B4] A Practice of BLE RSSI Measurement for Indoor Positioning (Pratama et al., 2021)

测量驱动研究，BLE 4.2 和 5.0 在多种布局下的表现：

• RSSI 方差随距离剧增：0.2m 时方差 0.024，6m 时方差 7.113
• 距离估计"最优转换范围"仅 0.6–1m，>2m 后误差急剧增大
• 天线朝向：背对背 vs 面对面可差 ~19 dBm — 相当于数量级的距离歧义
• BLE 5.0 长距模式灵敏度延伸至 −103 dBm
• 控制环境（6 信标，11.5×6.5m 教室）定位误差仍达 ±2m

[S3] BLE-Based Indoor Localization: Analysis of Some Solutions for Performance Improvement (Milano et al., 2024)

多种 RSSI 调理技术的组合实验对比：

• 频道多样性是最大免费收益：BLE 三广播信道（37/38/39）聚合使误差降低 ~35%（1.5m → 1.0m）
• 卡尔曼滤波在静态场景收益甚微
• ML 方法（FNN）收益不稳定（2–23%），无单一方法一致占优

对我们的启示

• 5–60m 室外范围内，RSSI→距离本质上不精确，应视为粗粒度近距指标而非精确测距
• 频道多样性（BLE 三广播信道聚合）是低成本高回报的工程措施，参见 [B2] 的具体实现
• 优化必须对大距离误差鲁棒，权重设计至关重要（见第五节 [R1]/[C4]）

---

三、设备异构性

[B13] DeepBLE: Generalizing RSSI-based Localization Across Different Devices (2021)

15 款手机、47 信标、50000+ 测量的系统研究：

• 15 款手机 RSSI 偏差达 11 dB，方差差异 25 倍（iPhone XR 方差 2.26 vs Mi 9T Pro 方差 55.79）
• 小米/华为手机 8–15% 接收丢包率（iPhone 为 0%）
• DeepBLE 架构：TransNet（6 层 1-D 卷积自编码器做信号翻译）+ LocNet（2 层 LSTM 定位）
• 半监督适配（无标签数据）：统计相似性损失 SSL + 平滑性损失，华为 Mate20 Pro 从 2.62m 降至 1.63m（38% 降幅）
• 品牌差异 > 型号差异，可按品牌分组校准

对我们的启示

• 设备异构性是一等误差源，不可忽略
• $f(r_i)$ 应是设备相关的：(a) 学习 per-brand $f_k$，(b) 翻译层 $r_i \mapsto \tilde{r}_i$