3. 定位原理：基于信号传播模型的测距方法、三角定位、指纹定位、到达时间（TOA）、到达时间差（TDOA）、到达角度（AOA）等原理对比

WiFi定位的核心在于将无线信号中携带的物理信息（信号强度、传播时间、到达角度等）转换为空间位置估计。不同定位原理的本质差异在于：测量什么物理量、如何建立测量值与位置之间的数学映射，以及对硬件和环境的依赖程度。本章将系统拆解六类主流定位原理的数学模型、适用场景与工程代价，并通过对比表格和案例闭环帮助开发者建立选型决策框架。

上图从“测量物理量→解算模型→工程代价”三个维度建立了定位原理的认知框架。下面逐一展开各原理的数学本质、实现路径与适用边界。

3.1 基于信号传播模型的测距方法（RSSI测距）

核心原理

信号传播模型测距利用无线信号在自由空间中的衰减规律，将接收信号强度指示（RSSI）转换为收发端之间的距离估计。最常用的对数距离路径损耗模型为：

RSSI(d) = RSSI(d₀) - 10·n·log₁₀(d/d₀) + Xσ

其中，RSSI(d₀) 为参考距离 d₀（通常取1米）处的信号强度，n 为路径损耗指数（室内典型值2.5~4.0），Xσ 为均值为0、标准差为σ的高斯噪声项。实际工程中，通常先通过校准获取 RSSI(d₀) 和 n，再反解距离 d。

操作流程

1. 离线校准：在目标环境选取3~5个参考点，测量不同距离下的RSSI均值，用最小二乘法拟合出 RSSI(d₀) 和 n。
2. 在线测距：终端扫描AP的RSSI，代入模型反算距离。
3. 位置解算：获得至少3个AP的距离后，使用三边测量法求交点。

案例拆解：仓库叉车定位

某电商仓库在8000㎡区域内部署WiFi定位系统，要求叉车定位精度在5米以内。初始方案直接采用厂商默认参数（n=2.0，RSSI(d₀)=-40dBm），实测平均误差达9.3米。分析发现仓库内金属货架密集，信号反射严重，实际路径损耗指数n=3.2。重新校准后，误差降至4.1米，满足需求。复盘要点：环境校准是RSSI测距的灵魂，且需按区域分段拟合（如货架区、通道区分别建模）。

3.2 三角定位（三边测量法）

核心原理

三角定位（更准确地说是三边测量）通过已知三个或以上AP的坐标和终端到各AP的距离，求解终端坐标。设终端坐标为 (x,y)，第i个AP坐标为 (xᵢ,yᵢ)，距离为 dᵢ，则满足方程组：

(x-x₁)² + (y-y₁)² = d₁²
(x-x₂)² + (y-y₂)² = d₂²
(x-x₃)² + (y-y₃)² = d₃²

通过最小二乘法或加权质心法求解。实际中由于测距误差，三个圆往往不交于一点，需要采用非线性优化（如高斯-牛顿法）或加权最小二乘。

判断方法

• 当AP数量≥3且几何分布良好（不共线、不近似共线）时，三边测量有效。
• GDOP（几何精度因子）用于评估AP布局对定位误差的放大程度，GDOP值越小越好。
• 若AP间距离远大于终端到AP距离，会导致病态矩阵，需增加AP或改用其他算法。

实战场景：办公楼人员定位

某写字楼在每层部署6个AP，采用RSSI测距+三边测量。实测发现靠近走廊尽头的区域误差达7米，原因是该区域仅能收到2个较强AP信号，第三个AP信号极弱导致测距不可靠。解决方案：在走廊尽头增加1个AP，并将算法改为“选择信号最强的4个AP参与解算”，误差降至3.5米。关键经验：AP布局的几何质量比数量更重要，应避免AP共线或过于集中。

3.3 指纹定位（位置指纹法）

核心原理

指纹定位分为离线建库和在线匹配两个阶段。离线阶段在目标区域划分网格，在每个网格点采集多个AP的RSSI向量，形成指纹数据库。在线阶段，终端上报实时RSSI向量，通过相似度匹配算法（如欧氏距离、余弦相似度、KNN）找出最接近的指纹点，再通过加权平均或WKNN得到估计位置。

操作流程

1. 网格规划：根据精度需求确定网格间距（通常1~3米）。
2. 数据采集：每个网格点采集30~60秒RSSI样本，记录均值、标准差。
3. 指纹库构建：存储每个网格点的AP-MAC、RSSI均值向量。
4. 在线匹配：使用KNN（K=3~5）或加权KNN，距离权重取1/(距离+ε)。

案例拆解：医院手术室设备追踪

某三甲医院手术区要求定位精度≤2米，用于追踪高频使用的小型医疗设备。环境特点：手术室屏蔽门多、设备移动频繁、人员走动造成信号动态变化。初始指纹库按1米网格采集，共1200个参考点，在线匹配采用KNN（K=3），实测平均误差1.8米，但部分区域误差达4米。分析发现这些区域靠近金属屏蔽门，RSSI跳变剧烈。改进措施：①对指纹库做时间维度更新（每周重采）；②在匹配算法中加入AP权重（信号越强权重越大）；③对异常RSSI（超过3σ）进行剔除。优化后平均误差1.5米，满足要求。复盘：指纹定位的精度上限取决于指纹库的质量和时效性，动态环境需要定期更新。

3.4 到达时间（TOA）与到达时间差（TDOA）

核心原理

TOA通过测量信号从发射端到接收端的单程传播时间 t，乘以光速 c 得到距离 d = c·t。TDOA不直接测量时间，而是测量信号到达两个AP的时间差 Δt，由此得到双曲线方程，多个双曲线交点即为终端位置。TDOA的优势在于不需要终端与AP之间的时钟同步，只需AP之间同步。

TOA: dᵢ = c·(tᵢ - t₀)   // 需要发射端和接收端时钟同步
TDOA: Δdᵢⱼ = c·(tᵢ - tⱼ) = dᵢ - dⱼ  // 只需AP间同步

判断方法

• TOA要求终端和AP时钟同步误差<10ns（对应3米误差），工程上通常需要专用硬件（如UWB或802.11mc FTM）。
• TDOA对AP间同步要求高（有线时钟同步或GNSS同步），但终端侧无需改动。
• WiFi领域，802.11mc（FTM）协议支持往返时间测量（RTT），可规避时钟同步问题。

实战场景：工厂AGV小车定位

某汽车工厂AGV运行区域要求定位精度≤0.5米，用于自动避障和路径规划。采用WiFi FTM（802.11mc）方案，部署4个支持FTM的AP，AGV端集成FTM客户端。实测空旷区域精度0.3米，但靠近金属货架区域误差升至1.2米。分析：多径导致首径检测错误。改进：①AP天线改为外置高增益天线；②在算法中增加多径抑制（基于信道脉冲响应CIR的首次峰值检测）；③增加1个AP改善几何布局。最终精度0.4米，满足需求。代价：FTM AP成本约为普通AP的2~3倍，且需要终端硬件支持。

3.5 到达角度（AOA）

核心原理

AOA通过天线阵列测量信号到达的入射角度，结合AP已知坐标，利用角度交会确定终端位置。典型实现是使用多天线AP（如4×4 MIMO），通过相位差计算到达角：

Δφ = (2π·d·sinθ)/λ  →  θ = arcsin(Δφ·λ/(2π·d))

其中 d 为天线间距，λ 为波长，Δφ 为相邻天线接收信号的相位差。获得两个AP的到达角后，即可通过角度交会求出位置。

操作流程

1. 天线阵列校准：测量各天线通道的幅度和相位一致性，生成校准矩阵。
2. 角度估计：对接收信号做MUSIC或ESPRIT算法，提取多径中的直达径角度。
3. 位置解算：至少2个AP的角度交会，或结合测距信息做联合解算。

案例拆解：商场导购机器人

某商场部署导购机器人，要求定位精度≤1米，且终端（机器人）移动速度达1.5m/s。采用AOA方案，在走廊两侧安装4个4天线AP。实测静态精度0.6米，但机器人移动时误差增大至1.8米。原因：运动导致多普勒频移，影响相位差测量。改进：①提高角度估计的更新率（从10Hz提升至20Hz）；②在算法中引入卡尔曼滤波，融合角度和IMU数据。最终动态精度0.8米。代价：AOA AP成本高（需专用天线阵列和射频前端），且对天线校准要求严格。

3.6 六类原理综合对比

选型决策清单

• 预算有限、精度要求>5米：优先RSSI传播模型或三角定位。
• 精度要求1~3米、环境复杂：指纹定位是首选，但需评估建库维护成本。
• 精度要求<1米、工业场景：考虑TDOA或FTM（802.11mc），需做NLOS评估。
• 短距离（<30米）、高精度、移动终端：AOA可考虑，但需接受硬件成本。
• 混合方案：RSSI+IMU融合、指纹+传播模型融合，可兼顾精度与成本。