4. 距离测量模型：基于信号强度（RSSI）的距离估算模型，对数路径损耗模型及其参数设置
好，咱们来聊聊RSSI测距。说实话，这玩意儿在室内定位里，属于那种「看起来很美，用起来头疼」的技术。为什么？因为信号在空气中传播，影响因素太多了。但话说回来，它成本低、实现简单，很多项目里还是得用它。
我个人习惯把RSSI测距叫做「用信号强度猜距离」。你想想看，手机收到Wi-Fi信号，强度是-60dBm还是-80dBm，这背后就藏着距离信息。但怎么从dBm值算出米数？这就得靠模型了。
4.1 对数路径损耗模型
最常用的模型，就是对数路径损耗模型。公式长这样：
PL(d) = PL(d0) + 10 * n * log10(d / d0) + Xσ解释一下各个参数：
- PL(d)：距离d处的路径损耗（单位dB）
- PL(d0)：参考距离d0处的路径损耗（通常d0取1米）
- n：路径损耗指数（关键参数，后面细说）
- d：待求距离
- d0：参考距离（通常1米）
- Xσ：高斯随机变量，均值为0，标准差为σ（单位dB）
说白了，这个模型就是在说：信号每走一段距离，强度就会衰减。而且衰减不是线性的，是对数关系。嗯，这里要注意，那个Xσ是随机项，它代表了环境中的各种不确定性——墙壁、人员走动、多径效应等等。
核心理解：对数路径损耗模型的核心，就是用一条「对数曲线」去拟合信号随距离衰减的规律。n值决定了曲线的陡峭程度，Xσ决定了曲线的「抖动」幅度。
4.2 参数设置——经验值与实测值
参数怎么设？我直接说结论：别信手册，要自己测。
我在项目中遇到过，拿着芯片厂商给的默认参数去仿真，结果定位误差大得离谱。后来才发现，人家给的参数是在开阔实验室测的，而我的现场是布满金属货架的仓库。
常见的n值参考范围：
| 环境类型 | 路径损耗指数 n | 备注 |
|---|---|---|
| 自由空间 | 2.0 | 理想情况，几乎不存在 |
| 室内（视距） | 1.6 ~ 1.8 | 空旷办公室、走廊 |
| 室内（非视距） | 3.0 ~ 5.0 | 有隔墙、障碍物 |
| 工厂/仓库 | 2.5 ~ 4.0 | 金属货架、机器干扰 |
| 户外城市 | 2.7 ~ 3.5 | 建筑物遮挡 |
至于Xσ的标准差σ，通常在3~8dB之间。环境越复杂，σ越大。我曾经在一个地下停车场做测试，σ跑到了9.2dB——那信号跳得跟心电图似的。
我的经验：做仿真时，先用n=2.5、σ=4dB作为初始值跑一遍。然后拿实测数据去拟合，调整参数。别指望一次到位，迭代个三五次很正常。
4.3 从RSSI到距离的转换
实际应用中，我们拿到的是RSSI值（单位dBm），不是路径损耗。所以需要做个转换：
RSSI = Pt + Gt + Gr - PL(d)其中：
- Pt：发射功率（dBm）
- Gt：发射天线增益（dBi）
- Gr：接收天线增益（dBi）
- PL(d)：路径损耗（dB）
如果发射功率和天线增益已知，就可以反推出PL(d)，然后代入对数模型求距离。但现实中，很多设备不告诉你发射功率——比如蓝牙Beacon，厂家给的参数经常是「参考值」，实际偏差可能有2~3dB。
所以，我建议的做法是：现场标定。在距离1米处测一次RSSI，记作RSSI_0。然后公式简化为：
d = d0 * 10 ^ ((RSSI_0 - RSSI) / (10 * n))这样就不用管发射功率和天线增益了，省心很多。
避坑指南：我曾经在项目中直接用芯片手册里的RSSI_0值，结果定位偏差超过5米。后来发现，手册里写的是「典型值」，而实际每颗芯片都有个体差异。所以，每台设备都要单独标定，至少抽检10%的样本取平均。
4.4 对数路径损耗模型的局限性
说实话，这个模型并不完美。我总结了几点：
- 近距离误差大：距离小于1米时，模型失效。因为近场效应和天线耦合，信号衰减规律完全变了。
- 远距离不稳定：距离超过30米后，RSSI变化非常平缓，一点点噪声就会导致距离估算大幅波动。
- 环境动态变化：有人走过、门开关、温湿度变化，都会影响RSSI。模型是静态的，环境是动态的。
- 多径效应：信号反射、绕射导致接收到的信号是多个路径的叠加，RSSI值不能真实反映直射路径的损耗。
那怎么办？我的做法是：分段建模。近距离（0~5米）用自由空间模型，中距离（5~20米）用对数模型，远距离（20米以上）用经验公式或者干脆放弃RSSI，改用其他技术。
4.5 知识体系结构图
下面这张图，是我自己梳理的RSSI测距知识体系，你看一眼就能明白整体脉络：
4.6 仿真中的参数调优建议
做仿真的时候，我一般按这个步骤来：
- 先跑默认参数：n=2.5, σ=4dB, d₀=1m，看看定位误差大概在什么范围。
- 收集实测数据：在真实环境中，选5~10个位置，每个位置采集100个RSSI样本。
- 最小二乘法拟合：用实测数据反推n和σ。代码很简单，Excel都能做。
- 验证：用拟合后的参数重新仿真，对比定位精度提升了多少。
- 迭代：如果误差还是大，考虑分段建模或者引入滤波算法（比如卡尔曼滤波）。
一个小技巧：仿真时别用固定的σ值。我习惯让σ随着距离变化——近距离σ小（比如2dB），远距离σ大（比如6dB）。这样更贴近真实情况。
好了，关于RSSI距离估算模型，核心就是这些。记住一句话：模型是死的，环境是活的。别指望一个参数走天下，多测、多调、多验证，才是正道。