基于Sub-1 GHz RSSI的室内定位技术：三边测量、多边测量与机器学习指纹法的实验评估

《IEEE Journal of Selected Areas in Sensors》：Sub-1 GHz Indoor RSSI-Based Localization: An Experimental Evaluation of Trilateration, Multilateration, and Machine Learning Fingerprinting Methods

本文针对物联网（IoT）无线传感器网络中室内定位技术的实际应用需求，系统评估了基于接收信号强度指示（RSSI）的三边测量、多边测量和机器学习指纹法在Sub-1 GHz频段的性能。研究通过现成的868/915 MHz收发器，在智能家居环境中进行实验，提出了一种低功耗的数据采集方案，周期时间低于420毫秒。结果表明，多边测量方法平均误差为1.86米，而基于多项式逻辑回归的机器学习方法在25-30个RSSI点下房间分类准确率高达97%-100%。该研究为资源受限的IoT网络提供了可行的仅基于RSSI的定位解决方案，具有重要的实践意义。

　　

在当今智能家居、患者监测等物联网（IoT）应用日益普及的背景下，精确的室内定位技术成为关键需求。然而，全球定位系统（GPS）在室内环境中由于信号被建筑物阻挡而无法可靠工作，因此需要开发其他定位方法。近年来，虽然2.4 GHz频段的技术（如ZigBee和LoRa）被广泛研究，但它们存在高功耗、有限范围和易受多径干扰等问题。相比之下，Sub-1 GHz频段具有更长的传输距离和更好的穿透障碍物能力，但传统的定位技术如到达角（AoA）、到达时间（ToA）和到达时间差（TDoA）因硬件要求高和需要精确同步而在微型设备中不实用。因此，基于接收信号强度指示（RSSI）的方法成为低功耗Sub-1 GHz微控制器单元（MCU）的可行替代方案，尽管其易受环境因素影响。机器学习（ML）技术因其处理RSSI数据中复杂模式和非线性关系的潜力而逐渐应用于室内定位，但缺乏与传统方法在相同环境下的全面比较。本研究通过实验评估了三边测量、多边测量和ML指纹法在单一室内环境中的性能，旨在为资源受限的嵌入式设备提供鲁棒且可扩展的室内定位系统。

研究人员采用现成的Texas Instruments LAUNCHXL-CC13-90开发套件作为代表资源受限的无线节点，使用CC1390收发器工作在868/915 MHz频段，链路预算超过120 dB以减少包丢失。通过实验分析了天线方向对RSSI的影响，包括在无反射环境（电波暗室）和高反射环境（室内房间）中测量辐射模式。设计了一种基于时分多址（TDMA）的数据收集方案，实现多接收节点RSSI记录和转发，周期时间对于3个和4个接收节点分别为330毫秒和420毫秒。使用自由空间路径损耗（FSPL）模型将RSSI转换为距离，路径损耗指数n通过实验确定为3.7-3.9。在三边测量和多边测量中，通过解决几何方程估计发射节点位置；在ML方法中，采用多项式逻辑回归模型进行房间分类，使用Scikit-learn库实现，输入特征为多个时间间隔的RSSI值。实验在多个室内设置中进行，包括视距（LOS）和非视距（NLOS）条件，评估了距离误差、房间预测准确性和不确定性等指标。

天线辐射模式测量

通过电波暗室和室内环境中的RSSI测量，发现天线方向显著影响辐射模式和RSSI值。在无反射环境中，当发射和接收节点均为水平放置时，RSSI出现显著下降；而垂直对齐则能保持稳定的模式。在实际室内环境中，多径反射导致RSSI变异性减小。建议将接收节点（网关）保持垂直以减小角度失准的影响。

数据收集方法

采用基于TDMA的方案，发射节点连续发送5个数据包后停止，接收节点按顺序转发存储的RSSI值到中央网关，再通过UART传输到PC。该方法无需时钟同步，但可能增加能耗。周期时间随节点数增加而延长，每增加一个节点约延长90毫秒，确保实时定位可行性。

RSSI与距离关系

通过移动发射节点测量RSSI随距离的变化，发现原始RSSI数据因多径反射波动较大，但采用滚动平均（如50个值窗口）可平滑数据。FSPL模型在路径损耗指数n=3时与测量数据拟合较好，但室内多房间环境中n优化为3.7-3.9。

三边测量和多边测量结果

在多个实验设置中评估定位性能。三边测量A（所有链路为LOS）平均误差最小（1.49米），房间预测准确率最高（89%）；而三边测量C（含NLOS链路）误差增大至3.00米，准确率降至46%。多边测量B在更大测试区域中平均误差为1.86米，不确定性最低（14.2%），房间预测准确率为70%。接收节点位置对精度有显著影响，偏向走廊的节点布局会导致误差增加。

机器学习定位结果

使用多项式逻辑回归模型对七个房间进行分类，输入特征为多个时间间隔的RSSI值。当使用1个RSSI输入时，准确率较低，尤其小面积房间（如BATH 1）易误分类；当输入特征增加至25-30个连续RSSI值时，准确率超过95%，最高达100%。结果表明，时间维度特征能有效克服多径干扰带来的误差。

本研究通过系统实验表明，在Sub-1 GHz IoT网络中，基于RSSI的室内定位技术具有可行性。多边测量方法在适当节点布局下可实现平均误差1.86米，而机器学习方法通过优化输入特征能达到接近完美的房间级定位。与传统方法相比，所提方案硬件复杂度低，适用于资源受限设备。然而，研究也存在局限性，如测试环境单一、天线远场区域影响以及ML模型仅针对房间分类等。未来工作可扩展至多环境测试、定制天线设计和更全面的ML模型开发。总体而言，该研究为物联网室内定位提供了实用指导，强调了方法选择需依据具体应用场景和环境条件。