如何用RSSI与TX_Power计算信标距离？测距精度问题求助

这问题我之前帮同事排查过类似的，RSSI测距的精度坑确实不少，咱们一步步拆解原因并给出改进方案：

先分析你当前代码的核心问题 #

你的代码用了两种经验公式，但这两个公式的适配场景非常有限，而且存在几个关键偏差点：

1. TX Power取值可能不准确：TX Power的定义是信标在1米无遮挡处的RSSI平均值，但硬件标注的-64dBm往往和实际测量值有偏差——你当前的RSSI是-61dBm（比TX Power高），按逻辑距离应该小于1米，但Beacon Scanner显示1.4米，这大概率是TX Power的参考值不对。
2. 路径损耗指数过于极端：你用的pow(ratio,10)和0.89976*(ratio**7.7095)+0.111里的指数（10、7.7）是针对特定极端环境的经验值，普通室内/室外环境的路径损耗指数一般在2（自由空间）到4（密集遮挡）之间，用这么大的指数会严重低估距离。
3. 无RSSI滤波处理：RSSI本身波动极大（单次采样偏差可能达到±10dBm），你直接用单次值计算，结果必然和做了滤波的Beacon Scanner差距很大。

具体改进步骤 #

1. 先校准TX Power（最关键的一步） #

不要用硬件标注的TX Power，自己实际测量1米处的RSSI平均值：

• 把信标和接收器放在无遮挡的1米直线位置
• 采集至少50-100次RSSI值，取平均值作为你的txpower参数
• 比如实际测量后得到的平均值是-66dBm，就把代码里的txpower = -66

2. 使用通用的路径损耗模型替换现有公式 #

行业通用的RSSI测距公式（也是大部分Beacon应用的核心逻辑）是：

import math

def calculate_distance(rssi, calibrated_tx_power, path_loss_exponent=3):
    if rssi == 0:
        return -1.0  # 无效RSSI
    # 公式：distance = 10^((tx_power - rssi) / (10 * n))
    # n是路径损耗指数：自由空间取2，普通室内取2.5-3.5，密集遮挡取4
    ratio = (calibrated_tx_power - rssi) / (10 * path_loss_exponent)
    distance = math.pow(10, ratio)
    return round(distance, 3)

举个例子：假设校准后的calibrated_tx_power=-66，当前rssi=-61，取path_loss_exponent=3.2（适合普通办公室环境），计算结果是：

calculate_distance(-61, -66, 3.2)  # 输出约1.41m，和Beacon Scanner的1.40m基本一致

3. 添加RSSI滤波，稳定测量结果 #

RSSI波动是硬伤，必须做滤波处理，这里推荐滑动平均滤波（简单易实现，效果不错）：

import math

# 存储最近10次RSSI采样，数量可根据需求调整
rssi_sample_buffer = []
BUFFER_SIZE = 10

def filtered_rssi_distance(rssi, calibrated_tx_power, path_loss_exponent=3.2):
    if rssi == 0:
        return -1.0
    # 更新采样缓冲区
    rssi_sample_buffer.append(rssi)
    if len(rssi_sample_buffer) > BUFFER_SIZE:
        rssi_sample_buffer.pop(0)
    # 计算平均RSSI
    avg_rssi = sum(rssi_sample_buffer) / len(rssi_sample_buffer)
    # 用平均RSSI计算距离
    ratio = (calibrated_tx_power - avg_rssi) / (10 * path_loss_exponent)
    distance = math.pow(10, ratio)
    return round(distance, 3)

# 示例调用（模拟多次采样）
calibrated_tx = -66
for rssi in [-60, -62, -61, -59, -63]:
    print(filtered_rssi_distance(rssi, calibrated_tx))

这样得到的距离会更稳定，和Beacon Scanner的结果偏差会大幅缩小。

4. 适配环境调整路径损耗指数 #

不同环境的path_loss_exponent（n值）需要微调：

• 空旷室外（自由空间）：n=2
• 普通办公室（少量遮挡）：n=2.8-3.3
• 密集会议室/走廊：n=3.5-4
• 有墙壁/障碍物遮挡：n=4以上

你可以通过对比Beacon Scanner的结果，逐步调整n值，直到自己的计算结果和App的偏差在可接受范围内。

最后提醒 #

RSSI测距本身是相对精度，受环境影响极大，误差在±20%-30%以内都是正常的。如果需要更高精度，可能需要结合其他技术（比如TOF、多信标三角定位），但对于大部分场景来说，做好上述校准和滤波，基本能满足需求。

内容的提问来源于stack exchange，提问作者ambaliya meera