基于被动混合WiFi-蓝牙传感的无人机辅助车辆粗略定位技术

《Pervasive and Mobile Computing》：Passive hybrid WiFi–Bluetooth sensing for UAV-assisted coarse vehicle localisation

　　摘要：在遮挡、恶劣天气或视觉处理延迟导致无法实现可靠跟踪时，被动射频感知可以弥补无人机辅助监测中的光学感知缺陷。与以往针对单一协议或可控发射源的研究相比，本文探讨了一个更为具体的问题：当小型无人机仅通过目标设备自身发出的WiFi和蓝牙信号进行被动观测，且既无目标方的配合也不具备主动测距能力时，其轨迹级定位性能能达到何种水平？我们将这一问题定义为基于三个空间分离的低成本接收器所捕获的异构RSSI序列的流式推理问题，并评估了一种完整的被动感知流程，该流程结合了自适应跨协议融合、Huber鲁棒三边测量、卡尔曼时间滤波以及能够应对MAC地址随机变化的轻量级重识别特征。本文的学术贡献在于构建了这种受限感知流程的整合框架及其可审计性，同时采用了保守的评估方案，该方案明确考虑了空中几何结构、间歇性观测性、数据包丢失、校准偏差、旋翼引起的误差以及多路径效应。通过以小型地面校准实验为基准的典型城市蒙特卡洛模拟场景测试，结果表明，与仅依赖WiFi或蓝牙的方案相比，混合感知方式提升了覆盖范围和粗略定位精度，且在无人机飞行高度为15米至30米、嵌入式硬件上的处理延迟低于100毫秒时性能最佳。这些结果并非表明该技术已具备实际部署条件或可实现车道级跟踪，而是基于地面校准给出了基于仿真的粗略定位范围，同时也指出旋翼噪声、姿态扰动以及空中多路径效应仍属于近似模型，需通过未来飞行实验进一步验证。

引言：从空中平台对移动地面车辆进行粗略/区域级定位，对于应急响应、交通监控以及基础设施巡检等众多无线感知应用而言具有重要意义。在这种应用场景中，无人机因其能够快速部署、灵活调整观测视角，以及能够覆盖那些难以用固定设施进行监测的区域而备受青睐。然而，由于无人机安全规范、空域管理以及视距外操作要求等方面的限制，其实际应用能力仍需与监管要求相区分。即便如此，在隧道、植被、多层道路、恶劣天气以及严重遮挡等复杂的城市环境中，无人机仍难以实现对车辆的可靠跟踪，这些因素往往会降低视线可见度，增加持续跟踪的难度。

实际上，目前空中车辆监测仍主要以光电和红外传感器为主。这类传感器虽能提供较高的空间分辨率，但其性能极易受到光照条件、雨雾、烟雾、运动模糊以及检测与识别流程中的计算延迟等因素的影响。正因如此，人们开始关注那些故障模式与视觉感知不同的互补感知方式，其中被动射频感知便是其中之一。现代汽车及车载设备会不断发出来自娱乐系统、免提装置、远程信息处理模块以及用户设备的WiFi探测请求、蓝牙查询响应和BLE广告信号。这些信号无需解码即可被捕获，而且在许多情况下，即便视觉信号减弱或暂时不可用，它们依然可以被观测到。

从无线通信的角度来看，利用无人机发出的这些信号并非易事。感知平台处于移动状态，参考几何结构会持续变化，而且可获取的观测信号强度较低且类型多样。旋翼产生的干扰会改变接收器的有效噪声底限，低空飞行则会改变多路径传播结构；当目标位于较远位置或靠近飞行器底部时，较短的基线长度还会导致几何条件不佳。此外，与需要目标方配合的定位系统不同，被动感知无法控制信号的传输时机、数据包格式或标识符的稳定性。MAC地址随机化、间歇性信标发送、数据包丢失以及重复的标识符都会增加短时间窗口内的关联难度和距离推断的复杂性。因此，那些为固定路侧部署或长时长观测设计的算法，无法直接应用于低空无人机操作。

另一个挑战在于协议间的差异性。WiFi虽然能够提供更广的有效覆盖范围，但其信号强度往往因车辆配置和设备状态的不同而出现间歇性变化；而蓝牙和BLE在近距离内的信号较为稳定，但更容易受到干扰和遮蔽效应的影响。尽管已有基于无人机的定位研究表明，RSSI测量值可用于定位地面发射源，但这些研究通常在受控环境下进行，且多采用单一无线电技术。目前，尚未有研究在考虑实际空中非理想条件的情况下，为利用车辆自身WiFi和蓝牙信号实现完全被动式的无人机辅助车辆定位给出明确的性能界限。

这一空白之所以重要，是因为核心科学问题并非在于射频信号是否有时可以从空中被定位，而在于在观测数据呈现间歇性、存在噪声且几何条件不稳定的情况下，一个轻量级的空中系统能否持续输出可靠的轨迹估计值。在这种环境下，定位应被视为一种流式推理问题，而非一系列独立的点估计值。需要对短时间窗口内的RSSI测量值进行跨协议融合，必须以稳健的方式处理异常值，还需利用时间动态特性在数据包丢失和多路径效应存在的情况下稳定轨迹。同样重要的是，任何关于可行性的结论都应基于对主要误差源的透明建模，而非基于乐观的最佳情况假设。

为此，本文针对无人机辅助车辆粗略定位任务，开展了一项实用的被动式WiFi-蓝牙混合感知可行性研究。所提出的框架基于安装在一架小型多旋翼无人机上的三个空间分离的低成本2.4 GHz接收器，并结合了自适应RSSI融合、鲁棒三边测量、基于卡尔曼的时间滤波，以及能够在MAC地址随机化情况下实现短期重识别的轻量级指纹特征。我们的目标并非宣称该技术已具备实际部署条件，而是提供一种系统级的无线感知建模方法以及一套约束性的评估方案，用以量化在受控但非理想条件下的实际性能表现。

本文并未提出新的物理测距原理或新的RSSI定位估算方法，其贡献在于针对利用车辆自身WiFi和蓝牙信号实现被动式无人机辅助车辆粗略定位任务，开展了一项受限的系统级可行性研究。其创新之处在于整合了异构的被动RSSI信号流、稳健的轨迹级推理机制、受控泄漏的短期关联方法，以及一种具有明确可审计性的评估方案，该方案能够区分实际测量的校准参数与模拟的无人机性能劣化模型。因此，所得到的性能指标应被理解为有限的区域级定位范围，而非车道级精度或可直接用于实际部署的跟踪精度。

为明确研究问题，本文围绕三个问题展开论述：RQ1：在完全被动感知的约束条件下，与单一协议相比，WiFi-蓝牙混合接收方式是否能提升定位覆盖范围和轨迹精度？RQ2：当RSSI观测数据呈现间歇性且分布偏态时，跨协议融合、鲁棒三边测量还是时间滤波机制对定位稳定性贡献最大？RQ3：在实际飞行中的各种非理想因素，如数据包丢失、校准偏差、多路径效应以及旋翼引起的误差，会对最终性能产生多大的影响？这些问题直指此类感知技术所面临的核心科学不确定性——并非定位功能偶尔能否实现，而是在纳入现实中的各种飞行故障因素后，它是否仍具有实用价值。

因此，本项工作的核心贡献并非一个新的测距公式，而是一个边界清晰的被动定位框架，该框架的假设条件、设计选择及评估标准均十分明确，便于进行验证。本文并未再给出另一份乐观的RSSI定位结果，而是在一个以无人机为应用对象的统一框架内，凸显了协议多样性、轨迹级时间推理、受控泄漏关联机制以及以现实条件为导向的应力测试的重要性。

综上，本文的具体贡献包括：
• 问题导向的被动感知建模：我们将基于车辆自身信号的无人机车辆粗略定位问题，重新定义为具有覆盖范围、几何条件及标识符稳定性三大相互关联瓶颈的受限流式推理问题，而非单纯的逐帧三边测量问题。
• 可审计的混合跟踪流程：我们整合了自适应WiFi/蓝牙信号融合、Huber鲁棒三边测量、卡尔曼平滑处理以及基于短时间窗口的指纹特征关联机制，该流程既足够轻量，适合小型无人机搭载，又具备足够的透明度，便于对各组成模块进行独立分析。
• 受控泄漏的关联机制评估：通过按照实际行驶轨迹对数据进行分组训练/测试，我们确保了重识别阶段的科学合理性，避免了在MAC地址随机化情况下因窗口级数据重叠而导致的过度乐观估计。
• 保守的性能评估框架：我们将仿真结果与小型地面校准实验相结合，不仅报告平均定位精度，还分析了高度敏感性、极端情况表现、系统鲁棒性排名以及边缘场景下的延迟情况，从而明确了该方法的适用范围、性能下降的原因及其局限性。因此，本研究应被视为一项基于地面校准的仿真可行性分析，而非经过飞行验证的实际部署研究。

本文的其余部分结构如下：第2节阐述本研究与近期基于无人机的射频定位研究的关联；第3节介绍感知架构、定位流程及蒙特卡洛评估框架；第4节汇报定位精度、系统鲁棒性、重识别能力及延迟等方面的测试结果；第5节讨论研究的意义、局限性及未来的验证步骤；第6节对全文进行总结。

相关研究：近期基于无人机的射频定位研究表明，空中无线电测量确实可用于定位地面发射源，但所报道的定位精度很大程度上取决于感知方式、环境条件以及系统所假设的目标方合作程度。在相对开放的实验环境中，基于RSSI的实验表明，当几何条件有利且发射源行为稳定时，实现有效的定位是可行的。不过，这些研究通常都在受控条件下进行。

方法论：本章介绍了一种以可行性为导向的、安装在无人机上的WiFi/蓝牙混合感知框架，以及用于评估其在城市环境中的定位性能的测试方案。我们的研究重点非常明确且具有实际应用意义：假设有一架仅配备低成本2.4 GHz接收器和廉价边缘计算设备的小型多旋翼无人机，当唯一可获取的观测数据为被动RSSI信号及数据包头部元数据时，该系统究竟能实现怎样的车辆定位和短期关联能力？

性能评估：本章对所提出的无人机WiFi/蓝牙混合感知框架进行了定量评估。我们通过整理相关数据，回答第1节中提出的研究问题：混合接收方式是否提升了被动跟踪的覆盖范围和精度，哪些组件起到了关键作用，以及哪些空中非理想因素最容易导致定位失败。除非另有说明，所有数值均为30次独立蒙特卡洛模拟运行的平均值，MAE值则附带95%置信区间。

讨论：经过修正后的实验数据支持更为精确的结论，而非笼统的“混合感知有益”之类的表述。只有将问题定位在轨迹级别，并同时解决观测缺失、几何条件不稳定以及标识符模糊性这三大瓶颈，才能让微型无人机实现可行的被动WiFi-蓝牙定位。实验结果表明，所提出的感知流程能够部分解决这些问题，但各部分的解决效果并不均衡。混合感知主要提升了数据更新的可用性，增强了系统的稳定性。

结论：本文针对在刻意设定的受限感知模型下——即目标方不提供任何配合、无需主动测距、仅使用轻量级2.4 GHz接收器以及嵌入式边缘处理设备——无人机辅助车辆粗略定位任务的被动式WiFi-蓝牙混合感知进行了可行性研究。在该研究范围内，本文相较于一般的RSSI定位研究，为这一核心科学问题提供了更为清晰的答案：只有将定位问题视为一个整体流程来处理，被动式无人机跟踪才能发挥实际作用。

作者贡献声明：Kadir Kesgin：撰写——审稿与编辑、撰写——初稿、可视化、验证、监督、软件开发、方法设计、研究实施、形式分析、数据整理、概念构建。

利益冲突声明：作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

Kadir Kesgin