前言
基于RSSI的室内定位算法有很多，像三角/三边质心算法、加权质心算法、最小二乘法、双曲线法、位置指纹算法、融合算法以及各种改进衍生算法等等。而依据定位策略的不同，BLE信标定位算法可分为基于距离和信号指纹定位两类。基于距离的定位算法是通过测量接收信号强度(RSSI)进行测距，但是由于室内环境对信号多径衰落的影响，基于距离的定位算法定位精度较低。相比之下，基于信号的指纹定位更适应于室内环境，国内外应用也较为普遍。指纹定位算法首先在室内固定位置点测量不同信标的RSSI值，再利用这些RSSI值以其对应的位置信息建立指纹地图(Fingerprints)，再将在线测量的RSSI值与指纹地图匹配，进而估计用户的位置。
2.1 RSSI基于测距定位算法
（1）建立路径损耗模型
以之前写的的技术报告《基于低功耗蓝牙的博物馆室内定位系统设计》为例，建立路径损失模型。蓝牙信号在传播过程中，会出现衰减现象，且随着距离的增加，信号的衰减程度也会加深。基于RSSI的测距算法与距离存在一定的函数关系，通过此函数关系可测量出锚点（iBeacon标签位置）与用户接收端的距离。此函数关系可用对数距离路径损耗模型表示，表达式如下：
(1)
在此函数式中，d表示锚点与游客终端设备之间的距离（即我们需要计算的距离）；表示
=1m时，RSSI的值，可将其简化为A=
；n则表示路径损失比例系数，
表示随着距离的增加，信号的损失程度，与定位环境有关；表示均值为零时的高斯分布随机变量。根据（1）式可求出d值：
(2)
在部署设备前，和n的值需要根据博物馆真实环境进行测量并拟合。
（2）三角质心定位算法
在基于测距的算法中，三角质心定位算法（这也是上个学期所采用的RSSI测距算法），是最基础的，也是使用最多的测距算法之一。由于信号的损耗，三个圆一般不会相交于一点，连接两个圆的圆心以及两个圆的交点、两条直线的交点即为策略点，则三个圆会得到三个策略点，策略点连线为一个三角形的区域，该区域的质心即为要求得的待定位点的坐标位置。其实在此基础上求P点坐标与上述三圆交于一点求法类似，无非是要获取到三角区域的质心而已。对于平面三角形来说，质心会和重心重合，记三个策略点的坐标为P4(，
)，P5(
，
)，P6(
，
)，则通过三角形质心公式，即可求出待测点P点坐标。基于测距定位的流程图如下图2.1所示
图2.1 RSSI基于测距定位流程图
2.2 RSSI基于信号指纹定位算法
信号指纹定位算法的过程：首先在定位区域收集很多的指纹数据（无线信号的RSSI数据值，然后通过定义一个个网格点来采集无线信号的强度值），当需要定位的时候，就可以通过手机或其它终端设施采集到的无线信号和预先收集的指纹数据库对比，找出最相似的指纹的位置，从而标记在室内地图上。信号指纹定位的基本思想：根据所在位置和所有已观测到的位置测量值（指纹集）相匹配，接着根据所比较的情况进行定位。它是一种基于学习的模型，运用模式识别，可以将信号的不确定性考虑在内，在定位效果方面令人满意。在使用位置指纹算法来进行定位时，一般分两个阶段：离线阶段与在线阶段。离线阶段需要进行多次采集区域内各位置上的“指纹”数据（RSSI），并构建一个数据库，即训练集；在线阶段中，定位系统会根据未知节点接收的RSSI值，与指纹数据库比较，通常可以通过最邻近法（NN）、Ｋ邻近法（KNN）、加权Ｋ邻近法（WKNN）等定位匹配算法来估计它所在的位置。基于信号指纹定位的流程图如下图2.2所示。
图2.2 RSSI基于信号指纹定位流程
2.3 RSSI与CSI指纹定位算法对比
CSI反映了OFDM 系统中所有子载波的幅度和相位信息，因此它比多径无线信号叠加值的RSS具有更好的稳定性、更小的多径效应和更细的颗粒度。对CSI而言，RSSI仅仅表征了信道的接收总能量，没有更详细地表征多径等环境特性。相对于传统的RSSI，CSI包含幅值和相位两个维度的信息，利用高维度的CSI信息可构建丰富的指纹库，从而提高指纹匹配的定位精度。在某种程度上来说，CSI和RSSI指纹定位类似，因为在进行位置估计时，都分为离线阶段和在线阶段，而且都需要建立指纹数据库表征位置信息。
注：CSI指纹定位可参考：室内定位之CSI指纹定位_数产小黑娃的博客-CSDN博客