3. BLE定位原理与信号基础
好，咱们进入BLE定位这一章。说实话，在UWB和BLE融合的方案里，BLE往往扮演着“粗定位”和“辅助唤醒”的角色。但你别小看它，很多室内场景下，BLE的定位精度已经够用了，而且成本低、功耗小、普及率高。
我个人习惯把BLE定位拆成两大部分来看：信号模型和定位算法。信号模型解决“怎么把信号强度换算成距离”，定位算法解决“有了距离怎么算坐标”。咱们一个一个来。
3.1 RSSI测距模型：从信号强度到距离
RSSI（Received Signal Strength Indicator），说白了就是接收端收到的信号强度值。这个值跟距离有关系——距离越近，RSSI越大；距离越远，RSSI越小。但问题是，这个关系不是线性的，而且受环境影响很大。
常用的模型是对数距离路径损耗模型：
RSSI = A - 10 * n * log10(d)其中：
- A：距离发射器1米处的RSSI参考值（单位dBm）
- n：路径损耗指数（环境因子，自由空间≈2，室内有遮挡≈3~4）
- d：待求距离（单位米）
反过来，已知RSSI求距离：
d = 10 ^ ((A - RSSI) / (10 * n))关键参数校准：A值和n值必须现场实测，不能照搬芯片手册。我在项目中遇到过，同一款芯片在不同厂房里，n值能差出0.8，算出来的距离能偏两三米。
我的经验：建议在部署前，先拿参考设备在目标环境里做一组“距离-RSSI”标定实验，用最小二乘法拟合出A和n。别偷懒，这一步省了，后面定位精度全白搭。
嗯，这里要注意：RSSI的波动非常大。即使设备静止不动，RSSI也可能跳变5~10dBm。所以直接拿单次RSSI算距离，结果基本没法用。我一般会做滑动窗口滤波，取最近5~10个样本的中位数或均值，再代入模型。
3.2 三角定位算法：三圆交会
三角定位，也叫三边测量。原理很简单：已知三个基站的位置，以及待测点到每个基站的距离，求待测点的坐标。
假设三个基站坐标分别为 (x1,y1)、(x2,y2)、(x3,y3)，测距结果分别为 d1、d2、d3。那么待测点 (x,y) 满足：
(x - x1)² + (y - y1)² = d1²
(x - x2)² + (y - y2)² = d2²
(x - x3)² + (y - y3)² = d3²这是个非线性方程组，通常用最小二乘法求解。我常用的做法是：把前两个方程相减消去二次项，得到线性方程，再用第三个方程做约束，最后用矩阵求逆或迭代法解。
避坑指南：我曾经在一个仓库项目里，三个基站布成了近似一条直线，结果定位结果在垂直于直线方向上误差巨大。三角定位对基站几何分布很敏感——基站围成的三角形越接近等边三角形，定位精度越好。千万别把三个基站摆成一排。
三角定位的优点是计算简单、实时性好。缺点也很明显：它依赖RSSI测距的准确性。而RSSI测距本身误差就大，所以三角定位在BLE场景下，典型精度也就3~5米。想提高精度？那就得用指纹定位了。
3.3 指纹定位法：用“信号指纹”匹配位置
指纹定位的思路跟三角定位完全不同。它不依赖物理模型，而是靠“经验”。
流程分两步：
- 离线采集阶段：在目标区域划分网格，在每个网格点采集所有基站的RSSI值，形成“指纹库”。每个指纹包含：坐标 + 该点处各基站的RSSI向量。
- 在线定位阶段：待测设备上报当前RSSI向量，系统在指纹库里找最相似的指纹，把对应的坐标作为定位结果。
相似度匹配常用两种方法：
- 最近邻（NN）：计算欧氏距离，选最小的那个指纹点。
- K近邻（KNN）：选K个最近邻指纹点，取坐标均值。K一般取3~5。
实战对比：三角定位 vs 指纹定位
| 对比项 | 三角定位 | 指纹定位 |
|---|---|---|
| 精度 | 3~5米（受环境影响大） | 1~3米（依赖指纹密度） |
| 部署成本 | 低，只需标定基站坐标 | 高，需要全区域指纹采集 |
| 环境变化适应性 | 差（模型参数需重标） | 差（指纹库需重建） |
| 实时性 | 高（毫秒级） | 中（指纹匹配耗时） |
我个人习惯在融合方案里这样分工：BLE指纹定位做“区域级”粗定位（比如判断在哪个房间），UWB做“厘米级”精定位。两者互补，效果很好。
避坑指南：我曾经在一个商场项目里，指纹库采集完一个月后，发现定位精度下降了很多。排查后发现，商场重新装修挪了货架，改变了信号传播路径。指纹库对环境变化非常敏感，建议定期更新，或者结合UWB的实时测距做动态校准。
3.4 BLE广播与扫描机制
搞清楚了定位算法，还得知道BLE是怎么把RSSI送出来的。这部分是底层机制，但直接影响定位系统的设计。
BLE设备在定位场景里通常分两种角色：
- 广播者（Beacon）：周期性发送广播包，包里包含设备ID、电量等信息。RSSI由接收端测量。
- 扫描者（Scanner）：监听广播包，读取RSSI值，上报给定位引擎。
广播参数直接影响定位效果：
| 参数 | 典型值 | 对定位的影响 |
|---|---|---|
| 广播间隔 | 100ms ~ 1s | 间隔越小，数据更新越快，但功耗增加 |
| 发射功率 | -20dBm ~ +4dBm | 功率越大，覆盖越远，但邻近信道干扰增加 |
| 广播信道 | 37/38/39（2402/2426/2480 MHz） | 三个信道轮流广播，避免同频干扰 |
注意：BLE广播在三个信道上跳频，不同信道的RSSI可能有差异。我建议在定位算法里，对同一设备同一时刻三个信道的RSSI做合并处理，或者只取最强信道的值，避免引入额外误差。
扫描端也有讲究。扫描窗口和扫描间隔决定了能抓到多少广播包。如果扫描窗口太短，可能漏包；太长则功耗高。我一般设扫描窗口30ms，扫描间隔100ms，这样在大多数场景下能抓到80%以上的广播包。
本章知识体系总览
下面这张图把本章的核心逻辑串起来了，你可以对照着回顾：
这张图把本章的脉络理得很清楚：信号模型是基础，定位算法是核心，广播扫描机制是支撑。三者缺一不可。你在实际项目中，可以根据精度需求和部署成本，灵活选择三角定位还是指纹定位，甚至两者结合。