ARMA和运行平均滤波器背后的理论，是否有任何替代算法来计算信号RSSI的距离？

Question

我可以看到Android Bacon Library有两种测量距离的算法：运行平均滤波器和ARMA滤波器。

这些与库的实现有何关系（除了使用过滤器的公式）？ 我在哪里可以找到一些有关这些的背景信息来解释它背后的理论？ 是否有任何已知的替代算法可以研究和尝试用于测量距离？

Answer 1

对BLE信标进行距离估计有两个基本步骤。

1. 收集RSSI样本

2. 将RSSI样本转换为距离估计值。

这两个步骤都有不同的算法。 ARMA和运行平均滤波器是用于收集RSSI样本的两种不同算法。

了解信标以周期性速率发送数据包，通常为每秒1-10次。这些数据包中的每一个在被电话接收时都会有自己的信号电平测量，称为RSSI。由于无线电噪声和测量误差，每个RSSI样本存在大量差异，这可能导致距离估计的大幅度波动。因此，通常您需要采用多个RSSI样本并将它们平均以减少此错误。

运行平均算法只需要20秒的样本（默认情况下，时间段是可配置的），抛出RSSI读数的最高和最低10％并取平均值剩余。 这与iOS平均样本的方式类似，因此出于跨平台兼容性原因，它是库的默认算法。但它有一个缺点，即距离估计落后于，告诉你手机相对于信标的平均值是10秒前。这可能不适用于手机相对于信标移动的用例。

ARMA（自回归移动平均线）算法对较旧样本的更新近样本进行统计加权，导致距离估计值更少延迟。但它的行为可能有点不确定，并且在不同的无线电条件下会受到更多不同的性能。

哪种算法适合您取决于您​​的使用案例。测试两者以确定哪种方式对您来说效果更好通常是最好的方法。虽然还有其他可能的数据收集算法，但这些算法只是内置于库中的两种算法。由于它是开源的，因此欢迎您创建自己的源代码并将其作为拉取请求提交。

对于第2步，还有许多可能的算法。最常见的两种是曲线拟合公式和路径损耗公式。曲线拟合公式是库默认值，路径损耗替代方法仅在正在开发的库的分支中可用。欢迎使用后者，但需要从源代码构建库。同样，作为一个开源库，欢迎并鼓励您开发自己的替代算法。