PDR与RSSI融合定位入门：从原理到实践
1. 前言
为什么要融合？
单独PDR（惯性导航）：靠IMU（加速度计+陀螺仪）估算人的行走轨迹，优点是连续性好、无须外部基站，缺点是长时间会累积误差、漂移。
单独RSSI定位：靠蓝牙/无线信号的强度（RSSI）推断当前位置，比如“离哪个信标最近就在哪”，优点是误差不会累积，缺点是瞬时跳变大、易受环境影响。
融合定位：结合两者优点——PDR补连续，RSSI定锚点，整体轨迹又连续又准确！
2. 核心知识预备
2.1 PDR是什么？
PDR（Pedestrian Dead Reckoning，行人航位推算）用传感器推算“我走了多少步、每步多长、朝哪个方向”，逐步叠加得到轨迹。
步数：靠加速度传感器，检测“走了一步”
步长：通常设为常数，或根据步频自适应估计
航向角：用陀螺仪、地磁等算出“当前朝向”
举个例子：
假如你站在(0,0)，向正东走两步，每步0.7米，轨迹点是：
第1步：(0,0)→(0.7,0)
第2步：(0.7,0)→(1.4,0)
2.2 最邻近RSSI定位是什么？
最邻近算法（Nearest Neighbor），就是找出当前采集到的RSSI指纹，和指纹库里哪个点最相似，直接用那个点的坐标作为当前位置。
指纹库：提前在室内各点采集好信号强度（比如Beacon1：-60dBm，Beacon2：-70dBm...）
实时采集：当前采到的信号强度和指纹库比一比，距离（欧氏距离/曼哈顿距离）最近的那个点，就是推测的当前坐标。
3. 步步为营——PDR与RSSI融合的流程
本部分带你按实际开发/实验的顺序，一环套一环地理解和操作
Step 1：数据准备
3.1.1 获取IMU数据（做PDR）
手机或穿戴设备，记录加速度、角速度等IMU原始数据
小白建议：用现成的APP（如“Sensor Logger”）采集，加速度/角速度采集频率≥50Hz更好
3.1.2 构建指纹库（做RSSI定位）
在目标区域均匀布点，每点采集一段时间RSSI信号，存下每个点的信号向量
小白建议：同一设备同一高度采集，避免人为误差
3.1.3 实时采集RSSI信号
定期（如每1秒）采集当前时刻所有信标的信号强度
Step 2：分别单独定位
3.2.1 用PDR推步进轨迹
检测每个“步”事件
估算步长（可设常数0.7米，或步频自适应公式）
估算每步的航向（初期可直接用手机航向传感器，后续可用卡尔曼滤波融合）
3.2.2 用最邻近RSSI推瞬时坐标
每个采样时刻，取当前RSSI信号
计算和指纹库每个点的距离（比如欧氏距离），取距离最小的那个点
用该点的坐标，作为当前的“RSSI定位结果”
Step 3：核心——PDR与RSSI轨迹融合
为什么要融合？
PDR的轨迹有时偏离实际道路，但连续性强；
RSSI定位点比较“跳”，但能纠正PDR的累积漂移；
融合后：轨迹既平滑，又能定期“拉回”真实路径！
融合方法一：简单重置法（小白入门最易上手）
每N步/每隔T秒，把PDR当前坐标“拉回”到RSSI定位点
实时用PDR推进每个轨迹点
一旦新一帧RSSI定位结果出来，就用它矫正PDR轨迹点（直接赋值，或平滑一下）
举例：
走路5秒，PDR算你在(10, 4)，此时最近的RSSI点位置是(8, 5)，
可以直接把PDR轨迹“拉”到(8, 5)，或者平滑一下：
融合坐标 = 0.7*PDR坐标 + 0.3*RSSI坐标
融合方法二：卡尔曼滤波（进阶，建议后期深入）
用卡尔曼滤波，把PDR轨迹作为预测，RSSI结果作为观测，不断更新最优估计
这样既能充分利用PDR的连续性，也能防止RSSI跳变带来的大幅漂移
小结：
简单融合：直接“拉回”或加权平均
复杂融合：用卡尔曼滤波、粒子滤波等（初学者可以先用前者）
4. 常见问题与小贴士
Q1：为什么单靠PDR会“漂”？
IMU会有噪声和零点漂移，时间一长，误差就累积了。
Q2：RSSI的“最邻近”为什么容易跳？
因为环境反射和遮挡很大，信号瞬时变化大，定位会“闪现”到别处。
Q3：我怎么调节融合“强度”？
如果RSSI很可靠，可以多用RSSI矫正（融合时权重大）；如果环境干扰大，可多依赖PDR。
Q4：有没有现成的开源项目？
可以搜索“OpenPDR”, “IndoorLoc”, “PDR+RSSI Fusion”等关键字，很多Github项目都有相关实现。