【课题推荐】蓝牙定位与滤波的发展与课程设计、毕业设计课题介绍

BLE室内定位与PDR融合导航系统设计（UKF与粒子滤波对比仿真）、蓝牙6.0各定位方法MATLAB例程等

文章目录

• 系统总体设计
• BLE信号模型与指纹库构建
• 行人航位推算（PDR）模型
• 融合定位方法
• 粒子滤波融合方法
• 定位性能评估方法
• 蓝牙6.0定位方法扩展研究
• 适合作为课程设计或毕业设计的研究方向

低功耗蓝牙（Bluetooth Low Energy，BLE）因其 成本低、功耗小、部署方便 等特点，成为当前室内外定位研究的重要方向之一。在智慧建筑、智慧医疗、仓储物流、机器人导航以及人员定位等领域，BLE定位技术均具有广泛应用价值。

然而，单独使用蓝牙信号进行定位时，容易受到 多径传播、遮挡、信号衰减和环境变化 等因素影响，导致定位精度不稳定。另一方面，基于惯性测量单元（IMU）的 行人航位推算（Pedestrian Dead Reckoning，PDR） 可以在短时间内提供连续定位，但其误差会随着时间 累积漂移。因此，对BLE与PDR进行融合，并利用 滤波算法进行状态估计，成为当前室内定位研究的一个重要方向。

本文介绍一个 BLE指纹定位与PDR融合的室内定位仿真系统，并分别采用 无迹卡尔曼滤波（UKF） 和 粒子滤波（PF） 进行融合估计，同时与单独的 BLE 定位与 PDR 定位结果进行对比分析。该系统适用于 课程设计、毕业设计以及室内定位算法研究。

系统总体设计

本仿真系统主要用于验证 BLE与PDR融合定位算法 在室内环境中的性能。系统整体流程包括：

通过该流程，可以直观比较以下几种定位方法的性能：

• 单独 PDR定位
• 单独 BLE指纹定位
• BLE + PDR + UKF 融合定位
• BLE + PDR + PF 融合定位

该系统能够输出 定位轨迹图、误差曲线图以及统计误差指标，用于评估不同算法的定位精度与稳定性。

BLE信号模型与指纹库构建

在仿真环境中，首先在二维定位区域内部署若干 BLE接入点（Access Point, AP）。BLE信号传播通常采用 对数距离路径损耗模型（Log-distance Path Loss Model） 来描述信号强度与距离之间的关系：

R

S

S

I

(

d

)

=

R

S

S

I

0

−

10

n

log

⁡

10

(

d

d

0

)

+

ε

RSSI(d) = RSSI_0 – 10n\\log_{10}\\left(\\frac{d}{d_0}\\right) + \\varepsilon

RSSI(d)=RSSI0​−10nlog10​(d0​d​)+ε

其中

• $RSSI(d)$
• $RSS{I}_0$
• $n$
• $\epsilon$

在定位区域内按照固定分辨率建立 网格点（Grid Point），计算每个网格点到所有 AP 的 RSSI 值，并存入数据库，从而形成 BLE指纹库（Fingerprint Database）。

在实时定位阶段，测量当前的 RSSI 向量，并与指纹库进行匹配。常用的方法是 KNN（K-Nearest Neighbor）最近邻搜索算法，通过寻找最相似的指纹点来估计目标位置。

行人航位推算（PDR）模型

PDR定位方法主要依赖 惯性传感器（IMU） 数据，通过步长与航向角进行位置递推。

在二维平面中，PDR位置更新可表示为

x

k

=

x

k

−

1

+

L

k

cos

⁡

(

θ

k

)

x_k = x_{k-1} + L_k \\cos(\\theta_k)

xk​=xk−1​+Lk​cos(θk​)

y

k

=

y

k

−

1

+

L

k

sin

⁡

(

θ

k

)

y_k = y_{k-1} + L_k \\sin(\\theta_k)

yk​=yk−1​+Lk​sin(θk​)

其中

• $L_k$
• ${\theta }_k$

由于 IMU 传感器存在 随机噪声和系统误差，步长和航向角都会出现偏差，从而导致 PDR误差随时间不断累积，产生明显漂移。

因此，需要利用外部定位信息（如BLE定位）对其进行校正。

融合定位方法

为了抑制 PDR 的误差漂移，可以将 BLE定位结果作为观测量，并采用 卡尔曼滤波（Kalman Filter, KF） 进行状态估计。

非线性的情况使用UKF、EKF。

系统状态向量可定义为

x

k

=

[

x

k

,

;

y

k

,

;

v

k

,

;

θ

k

]

T

x_k = [x_k,;y_k,;v_k,;\\theta_k]^T

xk​=[xk​,;yk​,;vk​,;θk​]T

系统预测由 PDR 模型提供，而 BLE 定位结果作为观测信息。通过预测与更新步骤，可不断修正 PDR 的累计误差，从而得到更加稳定的融合定位结果。

UKF相比传统 EKF 的优势在于：

• 不需要计算雅可比矩阵
• 非线性估计精度更高
• 数值稳定性更好

粒子滤波融合方法

除了KF方法外，系统还实现了 粒子滤波（Particle Filter, PF） 融合定位算法。

粒子滤波是一种 基于蒙特卡洛采样的贝叶斯估计方法，利用大量粒子来表示系统状态的概率分布。每个粒子代表一个可能的位置状态，并通过权值表示其概率。

PF的主要步骤包括：

为了避免粒子权值退化问题，系统采用 系统重采样（Systematic Resampling） 方法对粒子进行重新采样。

最终将所有粒子的 加权均值 作为系统状态估计，从而得到融合定位结果。

粒子滤波的优点在于：

• 能够处理 高度非线性、非高斯系统
• 对复杂环境具有较强适应能力

但其计算复杂度通常高于卡尔曼滤波。

定位性能评估方法

为了评估不同定位算法的性能，系统采用 欧氏距离误差（Euclidean Distance Error） 作为定位精度指标：

e

k

=

(

x

k

−

x

k

t

r

u

e

)

2

+

(

y

k

−

y

k

t

r

u

e

)

2

e_k = \\sqrt{(x_k – x_k^{true})^2 + (y_k – y_k^{true})^2}

ek​=(xk​−xktrue​)2+(yk​−yktrue​)2

​

同时统计以下常见误差指标：

• 平均误差（Mean Error）
• 中位数误差（Median Error）
• 标准差（Standard Deviation）
• 最大误差（Max Error）
• 均方根误差（RMSE）

通过这些统计指标，可以全面比较不同算法在 精度、稳定性以及鲁棒性 方面的差异。

参考链接：【MATLAB代码】低功耗蓝牙（BLE）指纹定位与行人航位推算（PDR）融合的定位仿真系统，附完整的代码，粘贴到MATLAB中即可直接运行 部分运行结果：

蓝牙6.0定位方法扩展研究

在蓝牙技术不断发展的背景下，Bluetooth 6.0 引入了多种新的定位方法，例如：

仿真代码可用于比较 RSSI、RTT、PBR 三种定位方法 的定位性能。系统首先计算 基站（Beacon）到目标位置的真实距离，然后分别模拟三种测距方式，并利用 最小二乘法（Least Squares） 求解目标位置。

程序最终会输出：

• 基站位置
• 真实目标位置
• 三种定位方法的估计位置
• 各自的定位误差

并绘制可视化图像进行对比分析。

参考链接：【课题讲解】蓝牙6.0定位多方法仿真与性能比较，附定位结果、误差分析。附代码下载链接 部分运行结果：

适合作为课程设计或毕业设计的研究方向

基于该仿真系统，可以进一步扩展为多个研究课题，例如：

这些方向既具有 理论研究价值，又具有 工程应用意义，非常适合作为：

• 毕业设计、课程设计
• 室内定位算法研究项目

如需帮助，或有导航、定位滤波相关的代码定制需求，请点击下方卡片联系作者