多径影响室内环境下基于置信度自适应卡尔曼滤波的BLE加权质心定位改进

《Sensors》：Improving BLE-Based Localization in Multipath-Affected Indoor Environments

　　

基于接收信号强度指示（RSSI）的低功耗蓝牙（BLE）定位广泛用于室内定位，加权质心定位（WCL）因简单和低计算成本而成为最常用方法之一。然而，BLE RSSI受时间波动和多径干扰影响，导致RSSI—距离关系不稳定，并降低传统WCL精度。其基于距离的加权无法区分可靠视距（LOS）锚点与误导性强非视距（NLOS）锚点。该局限在长锚点密集走廊和高流量大厅中最为严重，这些场景多径传播强。该研究提出一种面向多径影响环境的BLE RSSI定位置信度自适应卡尔曼滤波（KF）框架。扫描级置信度分数结合相对RSSI排序、概率LOS/部分视距（PLOS）/NLOS分类以及高置信LOS预测比例。所得分数调整分配给WCL位置观测的测量协方差，而不修改单个锚点权重。相对于传统WCL，所提方法在走廊将平均绝对误差（MAE）降低14.6%，在教室降低9.3%，在办公室降低3.3%，在高流量大厅轨迹降低7.9%。相对于固定协方差卡尔曼滤波，低流量区域的额外降低较小（0.4–2.0%），高流量大厅最大（7.7%）。

研究背景：室内定位在大型医院、商场、地下地铁、校园和智能医疗监测等场景具有需求。BLE（低功耗蓝牙，低功耗无线通信技术）RSSI（接收信号强度指示，信号强度度量）因成本低、手机兼容、无需测距硬件和指纹调查而被采用；WCL（加权质心定位，按RSSI权重融合锚点坐标）因简单、低计算量和低训练需求而常用。但RSSI受衰减、多径传播和遮挡影响，NLOS（非视距，直达路径完全遮挡）信号可强于LOS（视距，直达路径无遮挡），导致传统WCL误差。Wi-Fi RTT（往返时间）和UWB（超宽带）精度高但依赖硬件支持；可见光定位需调制LED和光路；指纹与监督学习需大量标注并易受环境变化影响。二值LOS/NLOS分类、阈值过滤或仅用LOS锚点在路径暂不可用或信号强度相似时受限。该研究目标是在不改变基础设施、运行时无需测量位置指纹数据库的条件下，从多径下不稳定BLE RSSI获得更可靠位置估计，重点面向长走廊、锚点密集区域和高流量大厅。研究人员提出置信度自适应KF（卡尔曼滤波，递归状态估计器）框架：扫描级置信度由相对RSSI排序、概率LOS/PLOS（部分视距，直达路径部分遮挡）/NLOS分类可靠性和高置信LOS比例组成，用于调整每个WCL位置观测的测量协方差，而不修改锚点权重；离线训练分类器，在线预测传播概率。其意义在于无需惯性传感、测距硬件或运行时参考点标签即可精炼WCL，主要抑制NLOS诱导的大误差；但该方法推理阶段无标签并非免训练。关键技术方法（不超过250字）：采用商品Android手机Samsung Galaxy Note8和Redmi Note9，在Chosun University IT楼八层走廊、教室、办公室及二层大厅采集BLE RSSI；低流量四区共用19个锚点，扩展高流量区部署14个锚点；Zones 1–2用于训练与协方差调参，Zones 3–4为未见环境，P7为高流量轨迹。特征包括相对排序流和10窗口9个统计特征；采用随机森林（RF）与极端梯度提升（XGBoost）集成输出LOS/PLOS/NLOS软概率，合成少数类过采样技术（SMOTE）仅用于训练集；以扫描级置信度自适应二维恒速KF的测量协方差精炼WCL。
研究结果：4.1 Propagation Channel Classification Performance：通过未见测试集、混淆矩阵和分类指标评估RF、XGBoost、表格网络（TabNet）与长短期记忆网络（LSTM），RF与XGBoost泛化最好并保留为部署集成。总体准确率70%，macro-F1为0.56，balanced accuracy为0.57；LOS的F1为0.80、NLOS为0.62、PLOS仅0.27；LOS正确1239/1600，PLOS正确54/193，NLOS正确533/813。PLOS与LOS、NLOS重叠而难分；SMOTE不能保证重叠类判别。因此，该研究将预测概率作为扫描级置信度分量，而不视为无误传播标签。4.2 Localization Performance：通过同一轨迹比较传统WCL、单指标配置、固定协方差KF和所提方法，得出所有配置均降低MAE，所提方法在四个环境中MAE和P₉₀（第90百分位定位误差）最低。走廊MAE由2.391 m降至2.042 m（14.6%），P₉₀由4.478 m降至3.855 m；教室由2.037 m降至1.848 m（9.3%），P₉₀由3.615 m降至3.078 m（14.9%）；办公室由2.698 m降至2.608 m（3.3%）。低流量区固定协方差KF贡献大部分增益（走廊12.8%、教室8.6%、办公室2.9%），自适应额外降低0.042 m（2.0%）、0.013 m（0.7%）、0.011 m（0.4%），差异小且受参考位置插值误差影响，不能视为结论性。单指标配置降低2.9–5.5%，在走廊和教室小于固定KF。配对逐扫描分析显示，走廊55.3%、教室55.1%的扫描误差更低；在WCL误差超过其P₉₀的大误差子集中，所提方法分别有86%和73%扫描更低，平均误差由6.47 m降至3.71 m、由4.32 m降至3.42 m；走廊误差超过5 m的扫描由108降至50，说明主要抑制大NLOS偏差而非均匀改进。办公室Std约3.7 m大于MAE而P₉₀小于4 m，少量大误差主导离散度；远处强锚点使WCL拉偏，置信度不改锚点权重，只能降低该观测在滤波更新中的影响。4.3 Evaluation on Expanded and High-Traffic Testbed：通过高流量P7轨迹评估，所提方法MAE由4.408 m降至4.059 m（7.9%），Std由3.346 m降至3.124 m，P₉₀由7.995 m降至7.684 m；固定协方差KF仅降0.2%且P₉₀略增至8.003 m；γ₁、γ₃单独分别降5.2%、6.3%；自适应相对固定KF降低MAE 7.7%，为该环境最清晰收益。转折处传统WCL漂移，所提轨迹也因恒速模型短暂滞后，但偏差短暂且对MAE影响有限；所有信道状态均在运行时由RSSI特征预测。4.4 Three-Class Versus Binary Formulation：通过相同测试观测、预处理和定位设置比较三分类与两个二分类，三分类相对LOS对PLOS+NLOS在Zones 1–2、Zone 3、Zone 4分别降低误差39.0%、11.2%、7.4%；相对NLOS对PLOS+LOS分别降低39.2%、11.4%、7.6%。这不表明PLOS分类可靠，但表明保留PLOS中间类别可为定位阶段提供有用信息。
讨论部分总结：低流量区中，调好的固定协方差KF已取得大部分改进，自适应最清晰益处出现在高人流环境；置信度只调整滤波器对WCL聚合观测的信任，不改锚点权重，故办公室中远处强信号主导的扫描不能纠正；设备端延迟和能耗未测。仅σ_min²与σ_max²在Zone 1–2调参并用于其余环境，路径损耗指数n、系数、阈值T和等权组合固定，γ₁与γ₃统计依赖，其敏感性和环境相关优化未探索。参考位置由轨迹端点恒速插值获得，非逐时刻独立测量，插值不确定性未量化，方法间小差异需谨慎解释；该评估不声称符合ISO/IEC 18305（室内定位评估标准）。静态锚点级标签同时反映锚点布置和传播条件，不能捕获时变LOS/NLOS转换；PLOS仍分离较差，残余分类误差可传播至置信度。未来工作包括重尾KF和粒子滤波等鲁棒/非高斯估计器、对不合理远锚点进行锚点级降权、协调转弯或IMU（惯性测量单元）辅助运动模型、学习型或环境相关权重、固定参数敏感性分析、设备延迟与能耗分析、独立测量参考轨迹、逐样本传播标签以及跨建筑和跨设备验证。
研究结论翻译：本研究提出一种用于BLE室内定位的WCL置信度自适应卡尔曼精炼方法，运行时无需测量参考点标签。结合相对RSSI排序、概率LOS/PLOS/NLOS分类和高置信LOS预测比例的扫描级置信度分数，设定分配给每个WCL位置观测的测量协方差。相对于传统WCL，该方法在走廊降低MAE 14.6%，在教室降低9.3%，在办公室降低3.3%，在高流量大厅轨迹降低7.9%，在所有环境中为评估配置中MAE和P₉₀最低者。配对逐扫描分析显示，改进集中在多数NLOS诱导偏差发生的大误差区域，而非均匀改善所有扫描。低流量区中大部分增益也可由固定协方差卡尔曼滤波获得，自适应额外收益小；在高人流下，自适应协方差相对固定协方差降低MAE 7.7%。由于所提方法模块化设计，未来可用IMU和非高斯估计器扩展，例如直接作用于置信度加权测量的粒子滤波。领域自适应以及跨建筑、跨设备验证是进一步未来方向。