跳到主要内容

neXenio/BLE-Indoor-Positioning库的定位策略

· 阅读需 5 分钟
Yusuf Bai
Yusuf Bai
Owner of this site

您的总结大体正确，但需要一些修正和细节补充。以下是 Java 库中定位策略的更完整描述：

Java 库的定位策略​

1. 数据收集阶段​

  • 系统收集最近 60 秒内的 Beacon 广播包数据： 
    public static final long MAXIMUM_PACKET_AGE = TimeUnit.SECONDS.toMillis(60);
  • 但实际上只会使用最近 2 秒内活跃的 Beacon： 
    if (!beacon.hasBeenSeenInThePast(2, TimeUnit.SECONDS)) {
        return false; // beacon hasn't been in range recently, avoid using outdated data
    }

2. 信号处理阶段​

  • 系统对每个 Beacon 的 RSSI 信号进行平滑处理，默认采用 Kalman 滤波：

    public WindowFilter createSuggestedWindowFilter() {
        return new KalmanFilter(getLatestTimestamp());
    }

  • Kalman 滤波器会处理每个 Beacon 最近接收到的 RSSI 值，考虑测量噪声和过程噪声：

    float measurementNoise = AdvertisingPacketUtil.calculateVariance(rssiArray);
    float processNoise = PROCESS_NOISE_DEFAULT; // 通常设为 0.008

  • 而不是简单地取平均值。对于每个 Beacon，都会基于时间窗口内的一系列 RSSI 值计算出一个平滑后的 RSSI 值。

3. 距离计算阶段​

  • 系统根据平滑后的 RSSI 值，使用对数距离路径损耗模型计算距离：

    public static float calculateDistance(float rssi, float calibratedRssi, float pathLossParameter) {
        return (float) Math.pow(10, (calibratedRssi - rssi) / (10 * pathLossParameter));
    }

  • 路径损耗参数根据环境不同有差异：

    public static final float PATH_LOSS_PARAMETER_OPEN_SPACE = 2;
    public static final float PATH_LOSS_PARAMETER_INDOOR = 1.7f;
    public static final float PATH_LOSS_PARAMETER_OFFICE_HARD_PARTITION = 3f;

4. Beacon 选择和过滤阶段​

  • 系统会排序可用的 Beacon，优先使用 RSSI 信号更强的 Beacon：

    Collections.sort(usableBeacons, BeaconUtil.DescendingRssiComparator);

  • 限制使用的 Beacon 数量在合理范围内：

    private static final int MINIMUM_BEACON_COUNT = 3; // 至少需要3个
    private static final int MAXIMUM_BEACON_COUNT = 10; // 最多使用10个

  • 过滤掉信号过弱的 Beacon：

    if (usableBeacons.get(beaconIndex).getFilteredRssi() < minimumRssiThreshold) {
        firstRemovableBeaconIndex = beaconIndex;
        break;
    }

5. 位置计算阶段​

  • 系统使用 多边测量算法 (Multilateration) 而非简单的三点定位：

    Multilateration multilateration = new Multilateration(usableBeacons);
    try {
        Location location = multilateration.getLocation();
        // ...
    }

  • 多边测量基于最小二乘法优化，使用 Levenberg-Marquardt 算法：

    TrilaterationFunction trilaterationFunction = new TrilaterationFunction(positions, distances);
    LeastSquaresOptimizer leastSquaresOptimizer = new LevenbergMarquardtOptimizer();
    NonLinearLeastSquaresSolver solver = new NonLinearLeastSquaresSolver(trilaterationFunction, leastSquaresOptimizer);

  • 系统还会根据均方根误差 (RMS) 过滤掉不准确的位置估计：

    if (multilateration.getRMS() < rootMeanSquareThreshold) {
        locationPredictor.addLocation(location);
        onLocationUpdated(location);
    }

6. 位置优化阶段​

  • 系统使用 LocationPredictor 来预测未来位置：

    locationPredictor.addLocation(location);

  • 还应用了移动速度限制：

    if (maximumMovementSpeed != MAXIMUM_MOVEMENT_SPEED_NOT_SET && lastKnownLocation != null) {
        location = DistanceUtil.speedFilter(lastKnownLocation, location, maximumMovementSpeed);
    }

7. 更新频率​

  • 默认位置更新频率为每 500 毫秒一次：

    private long maximumLocationUpdateInterval = UPDATE_INTERVAL_MEDIUM; // 500ms

  • 但可以配置为其他值：

    public static final long UPDATE_INTERVAL_IMMEDIATE = 50;    // 50ms
    public static final long UPDATE_INTERVAL_FAST = 100;        // 100ms
    public static final long UPDATE_INTERVAL_MEDIUM = 500;      // 500ms
    public static final long UPDATE_INTERVAL_SLOW = 3000;       // 3000ms

总结比较​

与您的描述相比，主要差异点：

  1. 信号处理: 不是简单取平均值，而是使用 Kalman 滤波器处理 RSSI 值
  2. 位置计算: 不仅使用三点定位，而是使用多边测量算法，可以同时考虑 3 个以上的 Beacon
  3. 精度控制: 使用 RMS 阈值过滤掉不准确的定位结果
  4. 预测优化: 使用位置预测和速度限制来平滑结果

当前您的前端代码已经实现了一些这些技术（如 Kalman 滤波），但可以考虑更全面地引入 Java 库中的高级功能，特别是多边测量算法和位置预测方面。