Python三边定位计算咨询：基于RSSI测距的未知目标定位困惑

嘿，我来帮你搞定这个定位问题！你手里的三组（lat, lng, distance）数据，刚好能用来做三边测量（Trilateration）——这是WiFi、蓝牙这类基于RSSI定位的标准解法，咱一步步来拆解：

核心原理 #

每个已知节点的坐标（lat, lng）加上到目标的距离，相当于在平面上画了一个「以节点为圆心、距离为半径的圆」。理想情况下，三个圆的交点就是目标的位置。但实际因为RSSI测距有误差，三个圆不会完美交于一点，这时候就需要用最小二乘法求最接近的最优解。

不过要注意：经纬度是球面坐标系，直接计算会有偏差，所以第一步得把它们转换成本地笛卡尔坐标系（适合短距离定位的平面近似），计算完再转回去。

具体步骤（附代码示例） #

1. 经纬度转本地笛卡尔坐标 #

我们可以把第一个节点设为坐标原点，把经纬度转换成以米为单位的x、y坐标（用WGS84椭球参数，短距离内误差可忽略）：

import math

# WGS84椭球参数
R = 6378137.0  # 地球半径（米）

def latlng_to_xy(lat, lng, origin_lat, origin_lng):
    # 转弧度
    lat_rad = math.radians(lat)
    lng_rad = math.radians(lng)
    origin_lat_rad = math.radians(origin_lat)
    origin_lng_rad = math.radians(origin_lng)
    
    # 计算x,y（平面近似）
    x = (lng_rad - origin_lng_rad) * math.cos(origin_lat_rad) * R
    y = (lat_rad - origin_lat_rad) * R
    return x, y

2. 建立方程组求解目标坐标 #

假设三个节点的笛卡尔坐标是$(x_1,y_1)$、$(x_2,y_2)$、$(x_3,y_3)$，到目标的距离是$d_1$、$d_2$、$d_3$，目标坐标是$(x,y)$，可以得到三个圆方程。把方程两两相减消去平方项，得到线性方程组，再用最小二乘法求解最优解：

import numpy as np

def trilateration(points, distances):
    # points: [(x1,y1), (x2,y2), (x3,y3)]
    # distances: [d1, d2, d3]
    x1, y1 = points[0]
    x2, y2 = points[1]
    x3, y3 = points[2]
    d1, d2, d3 = distances
    
    # 构建线性方程组Ax = b
    A = np.array([
        [2*(x2 - x1), 2*(y2 - y1)],
        [2*(x3 - x2), 2*(y3 - y2)]
    ])
    b = np.array([
        d1**2 - d2**2 + x2**2 + y2**2 - x1**2 - y1**2,
        d2**2 - d3**2 + x3**2 + y3**2 - x2**2 - y2**2
    ])
    
    # 最小二乘法求解
    x, y = np.linalg.lstsq(A, b, rcond=None)[0]
    return x, y

3. 笛卡尔坐标转回经纬度 #

把求解得到的x、y转回到经纬度：

def xy_to_latlng(x, y, origin_lat, origin_lng):
    origin_lat_rad = math.radians(origin_lat)
    origin_lng_rad = math.radians(origin_lng)
    
    lng_rad = (x / (R * math.cos(origin_lat_rad))) + origin_lng_rad
    lat_rad = (y / R) + origin_lat_rad
    
    return math.degrees(lat_rad), math.degrees(lng_rad)

4. 完整调用示例 #

# 假设你得到的三组数据：(纬度, 经度, 距离)
node_data = [
    (39.9042, 116.4074, 50),   # 节点1：天安门坐标，距离目标50米
    (39.9053, 116.4078, 30),   # 节点2：距离目标30米
    (39.9048, 116.4065, 40)    # 节点3：距离目标40米
]

# 提取数据
latitudes = [d[0] for d in node_data]
longitudes = [d[1] for d in node_data]
distances = [d[2] for d in node_data]

# 以第一个节点为原点转笛卡尔坐标
origin_lat, origin_lng = latitudes[0], longitudes[0]
points = []
for lat, lng in zip(latitudes, longitudes):
    x, y = latlng_to_xy(lat, lng, origin_lat, origin_lng)
    points.append((x, y))

# 求解目标笛卡尔坐标
target_x, target_y = trilateration(points, distances)

# 转回经纬度
target_lat, target_lng = xy_to_latlng(target_x, target_y, origin_lat, origin_lng)

print(f"目标位置：纬度 {target_lat:.6f}，经度 {target_lng:.6f}")

关键注意事项 #

• 测距误差处理：RSSI计算距离的误差很大（尤其是室内多径效应），最小二乘法能帮你找到最贴合三个圆的点，降低误差影响。
• n值校准：你用的距离公式里的n（路径损耗指数）非常关键——室内一般取2.5_{4，室外取2}3，最好用实际场景的数据校准，否则测距误差会直接影响定位结果。
• 球面vs平面：如果定位范围超过几公里，平面近似的误差会变大，这时候需要用球面三边测量，但短距离内上面的方法完全够用。

内容的提问来源于stack exchange，提问作者April