1. 项目背景与核心价值
室内定位技术近年来在商场导航、仓储管理、智慧医疗等领域展现出巨大应用潜力。与室外成熟的GPS定位不同，室内环境由于墙体遮挡、多径效应等因素，传统定位技术往往难以满足精度要求。基于WiFi的解决方案因其基础设施普及度高、部署成本低的优势，成为学术研究和工程实践的热门方向。
这个毕业设计项目的核心价值在于：利用现有WiFi网络，在不增加硬件成本的前提下，通过算法优化实现米级定位精度。相比蓝牙信标、UWB等方案，WiFi定位对用户设备零要求（智能手机均支持），且可直接复用商场、医院等场所已有的无线接入点，具有显著的商业化落地优势。
2. 技术方案选型分析
2.1 主流技术路线对比
当前主流的WiFi定位算法主要分为三类：
- 基于信号强度（RSSI）的指纹匹配法：预先采集位置指纹数据库，实时匹配当前RSSI值
- 基于信道状态信息（CSI）的相位分析：利用MIMO天线获取更精细的信道特征
- 基于到达时间（TOA）/到达角度（AOA）的几何计算：需要特殊硬件支持
考虑到毕业设计的时间成本和普通路由器的硬件限制，本项目选择RSSI指纹法作为基础方案。其优势在于：
- 仅需普通智能手机即可采集数据
- 算法实现复杂度相对较低
- 现有研究中有大量优化空间（如机器学习降噪）
2.2 系统架构设计
完整系统包含三个核心模块：
graph TD A[离线阶段] --> B[指纹数据库构建] C[在线阶段] --> D[实时定位计算] B --> E[位置坐标与RSSI映射表] D --> F[KNN加权算法]实际实现时采用更轻量级的方案：
- 数据库：SQLite存储<坐标, MAC地址, RSSI>三元组
- 前端：Android APP采集数据并显示定位结果
- 后端：Python Flask服务处理算法计算
3. 关键实现细节
3.1 指纹数据库构建
数据采集规范：
- 选择5GHz频段（干扰少于2.4GHz）
- 每个采样点停留30秒以上
- 采集密度建议1.5米×1.5米网格
- 记录至少3个AP的信号强度
实测数据示例（dBm）：
| 坐标点 | AP1_MAC | AP2_MAC | AP3_MAC |
|---|---|---|---|
| (1,1) | -67 | -72 | -81 |
| (1,2) | -71 | -68 | -79 |
注意事项：采集时需保持手机朝向一致（建议竖屏握持），人体遮挡会导致RSSI波动达5dBm以上
3.2 定位算法优化
基础KNN算法存在边缘定位跳变问题，改进方案：
加权KNN实现：
def weighted_knn(current_rssi, k=5): distances = [] for fp in fingerprint_db: # 欧氏距离计算 dist = sqrt(sum((fp['rssi'] - current_rssi)**2)) distances.append((dist, fp['coord'])) # 取k个最近邻 neighbors = sorted(distances)[:k] # 距离倒数加权 total_weight = sum(1/(d[0]+0.001) for d in neighbors) x = sum((1/(d[0]+0.001))*d[1][0]/total_weight for d in neighbors) y = sum((1/(d[0]+0.001))*d[1][1]/total_weight for d in neighbors) return (x,y)卡尔曼滤波降噪：
class KalmanFilter: def __init__(self, process_noise=1e-5, measurement_noise=1e-1): self.Q = process_noise self.R = measurement_noise self.P = 1.0 self.x = None def update(self, z): if self.x is None: self.x = z else: # 预测 self.P += self.Q # 更新 K = self.P / (self.P + self.R) self.x += K * (z - self.x) self.P *= (1 - K) return self.x4. 实测效果与优化方向
4.1 实验室环境测试结果
| 场景 | 平均误差 | 90%误差 |
|---|---|---|
| 空旷会议室 | 1.2m | 2.1m |
| 复杂办公区 | 2.3m | 3.8m |
| 走廊环境 | 1.8m | 3.2m |
4.2 典型问题排查
问题1：边缘区域定位跳变
- 现象：靠近墙体时定位点频繁跳动
- 解决方案：增加边界虚拟采样点，在算法中引入区域约束
问题2：多径效应导致RSSI波动
- 现象：同一位置信号强度标准差超过8dBm
- 优化：采用滑动窗口均值滤波，窗口大小建议15-20个采样点
5. 工程实践建议
AP部署策略：
- 确保每个区域至少覆盖3个AP
- 优先选择5GHz频段
- AP高度建议2-3米（避免地面反射干扰）
动态环境适配：
# 自动衰减旧指纹数据 def update_fingerprint(new_rssi, old_weight=0.7): updated_rssi = old_weight*old_rssi + (1-old_weight)*new_rssi return updated_rssi- 混合定位方案：
- 当WiFi定位误差>3m时，融合PDR（行人航位推算）数据
- 使用手机加速度计补偿短时位移
这个项目最让我意外的是普通商用路由器的信号稳定性——在连续72小时测试中，某品牌路由器的RSSI标准差竟达到12dBm。后来通过固定手机朝向、禁用蓝牙等优化，最终将定位误差控制在可接受范围内。建议后续研究者优先考虑使用CSI信息替代RSSI，虽然硬件要求略高，但数据质量会有质的提升。
