当前位置：首页 > news >正文

【MATLAB例程】基于RSSI原理的Wi-Fi定位程序，N个锚点（数量可自适应）、三维空间，轨迹使用UKF进行滤波，附代码下载链接

news 2025/5/6 8:34:35

在这里插入图片描述

本文所述程序实现了一种基于信号强度（RSSI）的Wi-Fi定位算法，并结合无迹卡尔曼滤波（UKF）对动态目标轨迹进行滤波优化。代码支持自适应锚点数量，适用于三维空间定位，可模拟目标运动、信号噪声及非线性观测场景，并通过可视化结果对比滤波前后的定位精度。

文章目录

代码说明
核心功能
代码结构
创新点
应用场景
使用说明
运行结果
MATLAB源代码

代码说明

核心功能

锚点生成
- 通过正弦/余弦函数生成N个三维分布的Wi-Fi基站（锚点），并添加随机偏移模拟实际部署。
- 锚点数量可自由调整（n=10），支持动态扩展。
目标运动模拟
- 初始化目标起点（position0 = [10,10,15]），生成包含21个时间步的直线运动轨迹（X/Y轴位移，Z轴固定）。
RSSI定位模型
- 信号衰减模型：RSSI(d) = RSSI_0 - 10*nn*log10(d)，其中RSSI_0=-30为参考强度，nn=5为衰减因子。
- 添加高斯噪声（RSSI_err=0.1）模拟实际测量误差。
- 最小二乘法求解目标坐标（position_3dim函数）。
UKF滤波设计
- 针对非线性观测模型（Z = [x^2/20; y; z]）设计无迹卡尔曼滤波器。
- 包含Sigma点生成、状态预测、观测更新等完整UKF流程。
- 过程噪声（Q）与观测噪声（R）可调，支持动态系统建模。
可视化与误差分析
- 三维轨迹对比图展示真实值、观测值、UKF估计值及未滤波值。
- 三轴误差曲线与RMSE对比图量化定位精度提升。
- 终端输出终点坐标误差及最大RMSE值。

代码结构

模块	功能描述
参数初始化	定义锚点、噪声参数，生成基站坐标
目标轨迹生成	模拟动态目标的运动路径
RSSI定位计算	计算信号强度，调用定位函数解算坐标
UKF滤波实现	状态预测与更新，协方差矩阵管理
可视化绘图	轨迹、误差、RMSE对比图生成
辅助函数	`rssi_localization`, `position_3dim`

图示如下：
在这里插入图片描述

创新点

三维空间支持：扩展传统二维定位至三维场景，更贴近实际应用。
非线性观测建模：通过平方项模拟非线性观测，验证UKF在复杂系统中的适应性。
多误差对比：同时分析纯观测、纯惯导及UKF滤波的误差，直观展示算法优势。

应用场景

室内定位系统开发：验证基于Wi-Fi指纹的定位算法性能。
滤波算法研究：对比EKF/UKF在非线性系统中的表现。
教学演示：展示信号衰减模型、最小二乘定位及卡尔曼滤波的实现流程。

使用说明

调整n修改锚点数量，RSSI_err设置测量噪声强度。
修改positions生成函数自定义目标运动轨迹。
调节Q和R矩阵优化UKF滤波效果。
运行代码后，查看生成的定位示意图.png、三轴误差图.png及终端输出的误差统计。

运行结果

定位示意图：
在这里插入图片描述
三轴误差示意图：

RMSE对比图：
在这里插入图片描述

MATLAB源代码

% 基于RSSI原理的Wi-Fi定位程序，N个锚点（数量可自适应）、三维空间，轨迹使用UKF进行滤波
% 作者联系方式：微信 matlabfilter
% 2025-04-23/Ver1clear; clc; close all; % 清除工作区、命令窗口和关闭所有图形窗口
rng(0); %固定随机数种子
RSSI_err = 0.1; % 定义RSSI测量误差
n = 10; %定义wifi基站的数量
% 使用正弦和余弦函数生成各个基站的坐标（并添加微小随机偏移）
baseP = 10*[sin(1:n)+0.01*[1:n]+1;cos(4*(1:n))+0.01*[1:n]+1;cos(2*(1:n))+0.01*[1:n]+1]';
% 定义信号强度与距离的关系
% 假设信号强度衰减模型为: RSSI(d) = RSSI_0 - 10*n*log10(d)
RSSI_0 = -30; % 在1米处的信号强度
nn = 5; % 衰减因子
% 模拟未知点的位置
% true_position = [10,10,20]; % 待定位点真实坐标% 生成目标点坐标
position0 = [10,10,15];
% 生成目标的运动
positions = repmat(position0,21,1)+[0:0.2:4;0:-0.2:-4;zeros(1,21)]';for i1 = 1:size(positions,1)true_position = positions(i1,:);distances(:,i1) = sqrt(sum((baseP - true_position).^2, 2)); % 计算距离RSSI_measurements(:,i1) = RSSI_0 - 10*nn*log10(distances(:,i1)) + RSSI_err*randn(size(distances(:,i1))); % 添加噪声% 定位函数estimated_position(i1,:) = rssi_localization(RSSI_measurements(:,i1), baseP, RSSI_0, nn);
endestimated_position_wifi = estimated_position';