项目申请书（草稿 v2）

基于非线性优化的众包离线高精度位置聚合

问题背景

丢失设备持续广播 BLE 信标，好心人设备扫描后上报 GPS 位置与 RSSI。服务器聚合多份报告估计设备位置：

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

目标：静止场景 CEP90 ≤ 30m（≥10 好心人）；移动场景精度提升 ≥ 20%。

主要问题分析

问题一：超参数确定

公式中 $\omega_i$（权重）和 $f(r_i)$（RSSI→距离映射）均依赖多个超参数：路径损耗指数 $n$（室外 2.0 vs 室内 3–4）、发射功率校准值 $A$（因设备品牌偏差达 11 dB [B13]）、权重函数形式。这些参数非常量，因环境和设备而异。拟采用联合估计策略——将 $n$、$A$ 作为待优化变量与设备位置 $x$ 同时求解 [R6]，而非预设经验值；$\omega_i$ 在有标注数据时可端到端学习，无标注时用 EM 自适应。

问题二：移动场景定位与场景区分

移动场景下好心人报告对应设备在不同时刻的位置，直接聚合会将整条轨迹"平均"到中间某点，误差可达数百米。需要：(a) 场景分类——利用加权空间散布度、时序隐含速度、RSSI 趋势等多信号融合判别静止/移动，不确定时两路并行取后验更优者；(b) 时序建模——移动场景采用粒子滤波，将报告作为异步时序观测，运动模型可融入路网约束，天然处理 RSSI 噪声的重尾分布 [B10]。

问题三：双重误差源（errors-in-variables）

不同于经典定位问题仅观测含噪，本问题中 $I_i$（好心人 GPS）和 $f(r_i)$（RSSI 测距）双重含噪，且噪声量级异构（GNSS ~3m / WiFi ~15m / Cell ~300m；RSSI 测距误差 ∝ 距离，P90 可达真实距离的 50% [B4]）。必须将好心人位置视为含噪参数而非固定值，在优化中显式建模其不确定性 [R4][R5]，通过锚点位置正则项 $\delta_i^{-2}|s_i - \hat{s}_i|^2$ 允许修正 [R6]。

问题四：好心人筛选

部分好心人报告质量极差（Cell 定位偏差 300m+、RSSI 极弱、设备丢包），混入优化会严重拉偏结果。需要多维度筛选与降权：定位方式分级、RSSI 强度门限、GPS 上报精度 σ 过滤、时间新鲜度衰减、邻域一致性检验（与周围报告偏差过大者降权）。鲁棒损失函数（Huber/Cauchy）提供额外的软筛选——大残差报告自动被降权 [R1]。

技术路线

阶段1  数据分析 + 基线复现 + 超参数敏感性实验
阶段2  静态求解器：鲁棒 WLS + 锚点不确定性建模 + 联合参数估计
阶段3  移动求解器：粒子滤波 + 场景分类器
阶段4  好心人筛选策略 + 权重学习 + 系统集成评测

---

附录：补充考量

A. 设备异构性：$f(r_i)$ 中参数 $A$ 因手机品牌偏差达 11 dB，方差差异 25 倍 [B13]。若上报数据含设备标识可做 per-brand 校准；若无需盲适配（半监督信号翻译 [B13] 或增大观测噪声）。

B. 路网与地图约束：移动场景中粒子滤波可融入 OSM 路网数据，粒子仅沿可通行路径传播，排除不可能区域（水域、建筑内部），并利用道路类型隐含速度先验 [method-candidate-map-aided-filtering]。

C. 降级策略：筛选后好心人 ≤ 3 或几何分布过差（GDOP 大）时，不强行输出点估计，降级为区域级定位（文献 [B7] 实现 99.8% 区域准确率），避免过度自信的错误结果。

D. BLE 频道多样性：BLE 三广播信道（37/38/39）聚合可降低 RSSI 方差约 35% [S3][B2]，是零额外成本的信号预处理步骤，应作为所有后续算法的前置环节。

E. 不确定度输出：除位置估计 $\hat{x}$ 外，输出置信区域（协方差椭圆或粒子分布凸包），让失主评估结果可信度，也为上层应用（如搜索区域规划）提供决策支持。

F. 移动场景定位目标的明确：预测当前位置（需运动外推）、估计最后观测位置（仅聚合最近报告）、重建历史轨迹（需全局平滑）三者对算法要求完全不同，需在方案中明确选择。

G. 多径与 NLOS 检测：室外城市环境中多径效应是 RSSI 误差的主要来源 [B4]。可利用 RSSI 时间序列的统计特征（方差异常大、分布偏斜）检测 NLOS 条件，对受影响报告额外降权。

H. 立体空间误差：题目公式为 2D，但楼层差异（穿楼板衰减）和地形高差会引入系统性偏差。建筑楼层信息或 DEM 高程数据可辅助修正，但室外主场景中影响有限，适合作为鲁棒性增强模块。