4、RSSI测距实战：RSSI数据采集、滤波处理与距离估算

RSSI测距，说白了就是利用信号强度来猜距离。听起来简单，但实际做起来坑不少。我记得刚入行那会儿，拿着蓝牙模块在实验室里测，数据跳得跟心电图似的，根本没法用。后来才明白，原始RSSI不经过处理，直接拿去算距离，结果基本是废的。

这一章，我们就来把RSSI测距的完整流程走一遍。从数据采集开始，到三种常用滤波方法，再到距离估算和误差分析。每一步我都会把项目里踩过的坑讲清楚。

4.1 RSSI数据采集：别急着上手

数据采集看起来最简单，但恰恰是出错最多的地方。我曾经有个项目，部署了6个网关，结果采集回来的数据完全对不上，排查了两天才发现是采样时间窗口没对齐。

采集时要注意几个关键点：

• 采样频率：建议10-20Hz，太低捕捉不到信号波动，太高数据冗余太大
• 采样时长：每个位置至少采集3-5秒，保证有足够样本做滤波
• 多网关同步：所有网关必须在同一时间窗口内采样，否则距离估算会乱套
• 环境记录：记下当时的温度、湿度、遮挡物情况，这些后面分析误差时用得上

下面是一个简单的数据采集代码示例，我用的是ESP32 + 蓝牙Beacon的方案：

// RSSI数据采集示例（Arduino框架）
#define SAMPLE_COUNT 100
int rssi_samples[SAMPLE_COUNT];

void collect_rssi_samples() {
  for (int i = 0; i < SAMPLE_COUNT; i++) {
    // 扫描并获取最近的Beacon RSSI
    rssi_samples[i] = get_beacon_rssi("BEACON_MAC");
    delay(50);  // 20Hz采样
  }
}

int get_beacon_rssi(String mac) {
  // 实际项目中这里调用蓝牙扫描API
  // 返回RSSI值，单位dBm
  return -65;  // 示例返回值
}

4.2 三种滤波方法：各有各的脾气

原始RSSI数据拿到手，第一件事就是滤波。你想想看，信号在室内反射、绕射、吸收，RSSI值能稳定才怪。我试过不滤波直接算距离，误差能到10米以上，完全没法用。

4.2.1 均值滤波：简单但有效

均值滤波是最基础的方法。把N个样本加起来除以N，就得到一个平均值。优点是计算量小，缺点是对突发干扰很敏感。

// 均值滤波
float mean_filter(int* samples, int len) {
  long sum = 0;
  for (int i = 0; i < len; i++) {
    sum += samples[i];
  }
  return (float)sum / len;
}

适用场景：信号相对稳定的环境，比如空旷的仓库、走廊。

4.2.2 中值滤波：抗干扰能力强

中值滤波的原理很简单：把样本排序，取中间那个值。这样做的好处是，哪怕有几个样本因为干扰跳到了-30dBm或-90dBm，对结果影响也不大。

// 中值滤波
int median_filter(int* samples, int len) {
  // 先排序（这里用简单的冒泡，实际项目用快速排序）
  int temp[len];
  memcpy(temp, samples, len * sizeof(int));
  
  for (int i = 0; i < len - 1; i++) {
    for (int j = 0; j < len - i - 1; j++) {
      if (temp[j] > temp[j + 1]) {
        int t = temp[j];
        temp[j] = temp[j + 1];
        temp[j + 1] = t;
      }
    }
  }
  
  // 取中值
  return temp[len / 2];
}

4.2.3 高斯滤波：保留有效信号

高斯滤波是我个人比较喜欢的方法。它假设RSSI值服从正态分布，只保留概率较高的样本，剔除那些偏离太远的异常值。

// 高斯滤波
float gaussian_filter(int* samples, int len) {
  // 第一步：计算均值和标准差
  float mean = mean_filter(samples, len);
  float variance = 0;
  
  for (int i = 0; i < len; i++) {
    variance += pow(samples[i] - mean, 2);
  }
  variance /= len;
  float std_dev = sqrt(variance);
  
  // 第二步：只保留均值±1.5σ范围内的样本
  int valid_count = 0;
  float sum_valid = 0;
  
  for (int i = 0; i < len; i++) {
    if (abs(samples[i] - mean) <= 1.5 * std_dev) {
      sum_valid += samples[i];
      valid_count++;
    }
  }
  
  return (valid_count > 0) ? (sum_valid / valid_count) : mean;
}

为什么用1.5σ？ 我做过大量实测，1.5倍标准差能保留约87%的有效样本，同时剔除掉那些明显异常的跳变点。这个参数可以根据实际环境微调。

4.3 三种滤波效果对比

为了让你更直观地看到区别，我拿一组实际采集的数据做了对比。这是在办公室环境下，距离网关5米处采集的100个样本。

滤波方法	输出值(dBm)	标准差(dBm)	计算耗时(ms)	抗干扰能力
原始数据	-68.3	4.7	-	无
均值滤波	-68.3	2.1	0.02	弱
中值滤波	-67.0	1.8	0.15	强
高斯滤波	-68.8	1.2	0.35	较强

从表中能看出来：高斯滤波的标准差最小，说明稳定性最好。但计算耗时也最长。实际项目中怎么选？我的建议是：

• 资源受限的嵌入式设备：用中值滤波，效果好且计算量适中
• 服务器端处理：用高斯滤波，精度优先
• 快速原型验证：用均值滤波，简单直接

4.4 距离估算：从RSSI到米

滤波完的RSSI值，怎么换算成距离？这里要用到路径损耗模型。最常用的是对数距离路径损耗模型：

// 距离估算函数
float rssi_to_distance(float rssi, float tx_power, float n) {
  // tx_power: 1米处的参考RSSI值（通常-59dBm）
  // n: 环境衰减因子（自由空间2.0，室内2.5-4.0）
  // 公式: distance = 10^((tx_power - rssi) / (10 * n))
  return pow(10, (tx_power - rssi) / (10.0 * n));
}

// 使用示例
float filtered_rssi = gaussian_filter(samples, 100);
float distance = rssi_to_distance(filtered_rssi, -59, 3.0);
printf("估算距离: %.2f 米\n", distance);

这里有两个关键参数需要校准：

• tx_power：1米处的参考RSSI。这个值每个设备都不一样，必须实测。我习惯在1米处采集200个样本取均值作为tx_power。
• n（环境衰减因子）：这个值决定了信号随距离衰减的速度。自由空间是2.0，普通办公室大概2.5-3.0，有隔断的仓库可能到3.5-4.0。

4.5 误差分析：为什么测不准？

RSSI测距的误差来源很多，我总结了几类：

误差类型	典型误差范围	主要原因	缓解方法
多径效应	2-8米	信号反射叠加	多网关协同、天线分集
阴影衰落	1-5米	障碍物遮挡	动态环境建模
设备差异	1-3米	天线增益不同	逐个设备校准
温度漂移	0.5-2米	射频器件温漂	温度补偿

我记得有一次在停车场做测试，估算距离一直在3-8米之间跳，怎么都稳定不下来。后来发现是旁边有根金属柱子，信号反射特别严重。换了位置之后，误差立刻降到了1米以内。

所以，做RSSI测距一定要有心理准备：绝对精度很难做到1米以下。但在多网关协同定位中，我们通过多个网关的数据融合，可以大幅提升定位精度。这个后面几章会详细讲。

4.6 本章小结

这一章我们把RSSI测距的完整流程走了一遍。从数据采集的注意事项，到三种滤波方法的原理和代码实现，再到距离估算和误差分析。核心就一句话：原始RSSI不可信，滤波是必须的，参数校准是关键。