Python/Jupyter Lab中Trilateration定位及Monte Carlo精度验证求助

1. 环境准备与数据加载 #

首先在Jupyter Lab里安装并导入所需工具库：

!pip install pandas numpy matplotlib
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

读取你的CSV数据文件（替换成你的文件路径）：

# 读取CSV，假设文件名为rss_data.csv
df = pd.read_csv('rss_data.csv')
# 先查看数据结构，确认列名和格式
print(df.head())

2. 将RSS信号转换为距离值 #

RSS和距离的转换用常用的对数路径损耗模型，你需要根据实际环境调整参数（p0是1米处的RSS值，n是路径损耗指数，室内一般取2.5-3.5）：

def rss_to_distance(rss, p0=-40, n=3):
    # 处理异常RSS值（避免对数计算出错）
    rss = np.clip(rss, -100, -30)
    return 10 ** ((p0 - rss) / (10 * n))

# 假设你的CSV里有AP1_RSS、AP2_RSS、AP3_RSS三列，分别对应三个AP的RSS值
# 先把每个AP的RSS转成距离
df['d1'] = rss_to_distance(df['AP1_RSS'])
df['d2'] = rss_to_distance(df['AP2_RSS'])
df['d3'] = rss_to_distance(df['AP3_RSS'])

3. 三边定位计算坐标 #

用最小二乘法求解三个圆的近似交点（实际数据有误差，很难有精确交点），假设CSV里有每个AP的坐标列：AP1_x、AP1_y、AP2_x、AP2_y、AP3_x、AP3_y：

def trilateration(x1, y1, d1, x2, y2, d2, x3, y3, d3):
    # 构建线性方程组
    A = np.array([
        [2*(x2 - x1), 2*(y2 - y1)],
        [2*(x3 - x1), 2*(y3 - y1)]
    ])
    b = np.array([
        d1**2 - d2**2 - x1**2 + x2**2 - y1**2 + y2**2,
        d1**2 - d3**2 - x1**2 + x3**2 - y1**2 + y3**2
    ])
    # 最小二乘求解
    x, y = np.linalg.lstsq(A, b, rcond=None)[0]
    return x, y

# 遍历每行数据，计算估计坐标
df['est_x'], df['est_y'] = zip(*df.apply(
    lambda row: trilateration(
        row['AP1_x'], row['AP1_y'], row['d1'],
        row['AP2_x'], row['AP2_y'], row['d2'],
        row['AP3_x'], row['AP3_y'], row['d3']
    ), axis=1
))

# 查看计算结果
print(df[['est_x', 'est_y']].head())

4. 蒙特卡洛法计算定位精度 #

如果你的数据里有真实坐标（比如true_x、true_y列），先计算每个样本的定位误差，再用蒙特卡洛模拟统计精度：

# 计算每个样本的定位误差（欧氏距离）
df['error'] = np.sqrt((df['est_x'] - df['true_x'])**2 + (df['est_y'] - df['true_y'])**2)
# 去掉缺失值
valid_errors = df['error'].dropna().values

def monte_carlo_precision(error_data, n_simulations=10000, confidence=0.95):
    # 重复采样误差数据，模拟多次
    simulated_errors = np.random.choice(error_data, size=(n_simulations, len(error_data)), replace=True)
    # 每次模拟取置信度对应的误差分位数
    error_percentiles = np.percentile(simulated_errors, confidence*100, axis=1)
    # 取模拟结果的均值作为精度半径
    return np.mean(error_percentiles), error_percentiles

# 运行蒙特卡洛模拟
precision_radius, sim_errors = monte_carlo_precision(valid_errors)
print(f"95%置信度下的定位精度半径：{precision_radius:.2f} 米")

# 可视化误差分布
plt.hist(sim_errors, bins=30, alpha=0.7, color='#4287f5')
plt.axvline(precision_radius, color='#ff4444', linestyle='--', label=f'95%精度半径：{precision_radius:.2f}m')
plt.xlabel('定位误差（米）')
plt.ylabel('频次')
plt.title('蒙特卡洛模拟定位误差分布')
plt.legend()
plt.show()

关键调整建议 #

• 校准RSS转距离参数：p0和n要实测校准——比如在1米处测RSS得到p0，再测不同距离的RSS拟合出n，这直接影响距离计算的准确性。
• 数据清洗：提前过滤异常RSS值（比如小于-100或大于-30的数值），删除缺失数据，避免计算出错。
• 多AP优化：如果有超过3个AP，可以用加权最小二乘法，给RSS更稳定的AP设置更高权重，提升定位精度。

内容的提问来源于stack exchange，提问作者Jesun Ahmad Ushno