BLE中的RSSI——信号指示器与距离估算

BLE中的RSSI是什么？

RSSI（接收信号强度指示器）是BLE接收器在接收数据包时测量的无线电信号功率。在BLE中，每个广播包（advertising）和连接后的每个数据包都会测量RSSI。RSSI值采用对数刻度，每变化1 dBm对应信号功率约1.26倍的变化。

RSSI是一个依赖硬件的指标：不同的BLE芯片（nRF、TI、Dialog、Broadcom）和不同的天线对同一信号可能显示不同的RSSI值。因此，在不同设备之间比较RSSI是不正确的。即使同一操作系统的两台相同智能手机，对同一信标也可能显示2–5 dBm的差异。

在广播包中，三个信道（37、38、39）各自独立测量RSSI。由于频率干扰，信道间的值可能相差3–10 dBm。现代BLE协议栈报告所有信道的平均RSSI或每个数据包各自的RSSI。iOS Core Bluetooth提供平均RSSI，Android提供最后一个数据包的RSSI。

RSSI值范围

BLE的典型RSSI范围为-30 dBm至-100 dBm。超出此范围的值极为罕见：-20 dBm表示设备实际上触及扫描仪天线，而-105 dBm表示完全无信号。芯片制造商可能限制范围：例如nRF52832报告RSSI范围为-40至-105 dBm。

TX Power Level——发射功率，在广播包（AD Type 0x0A）中标明，可用于校正估算。来自TX Power为+4 dBm的设备的-70 dBm RSSI意味着信号衰减了74 dB。如果TX Power未知，则无法精确估算距离。iBeacon在制造商数据结构中包含TX Power（1字节）用于距离校准。

RSSI与距离的关系

路径损耗模型用于根据RSSI估算距离。基本公式：RSSI = TX_Power - 10 × n × log10(d)，其中n为衰减系数（自由空间为2.0，有障碍物的室内为3.0–4.5），d为以米为单位的距离。实际条件下估算精度为±2–5米。

为校准模型，需在已知距离处（通常为1米）测量RSSI并计算TX Power参考值。iBeacon将此参数存储在数据包中。Eddystone使用类似机制。校准后可计算距离：d = 10 ^ ((TX_Power — RSSI) / (10 × n))。

根据Apple Core Bluetooth编程指南（2024），iBeacon的距离估算精度为：immediate（<0.5米）——当RSSI高于校准值时；near（0.5–3米）——当RSSI在校准值3–6 dB范围内时；far（>3米）——信号较弱时。没有数学模型能在不进行额外处理的情况下提供优于±1米的精度。

影响RSSI精度的因素

RSSI是一个噪声指标，其精度取决于多种因素。主要误差来源：障碍物（墙壁、家具、人体）各使信号衰减3–15 dB，多径传播（墙壁反射）可能在某些点增强信号而在另一些点减弱信号，天线方向在设备旋转时使RSSI变化3–10 dB。

人体是BLE信号最强的吸收体之一。如果信标和智能手机之间存在人，RSSI可能下降10–20 dB。人体内的水分能有效吸收2.4 GHz频率的无线电辐射。因此，商店门上的信标对不同身高和体型的顾客可能显示不同的RSSI。

其他因素：相邻信道上的Wi-Fi干扰可能使RSSI降低3–5 dB，BLE芯片温度影响RSSI测量精度（某些芯片漂移达1 dB/°C），信标电池退化会降低TX Power，导致接收端的RSSI偏低。

RSSI滤波与平滑

原始RSSI不适合精确计算——它包含过多噪声和异常值。为获得稳定的距离估算，需采用滤波方法。最简单的是滑动平均：取最后N个RSSI值的算术平均值。通常N = 5–10足以平滑短期波动。

// RSSI的卡尔曼滤波器
class RssiKalmanFilter(
    private val processNoise: Double = 0.01,
    private val measurementNoise: Double = 1.0
) {

    private var estimate: Double = 0.0
    private var errorCovariance: Double = 1.0

    fun filter(rawRssi: Double): Double {
        // 预测
        errorCovariance += processNoise

        // 更新
        val kalmanGain =
            errorCovariance /
            (errorCovariance + measurementNoise)

        estimate = estimate +
            kalmanGain * (rawRssi - estimate)

        errorCovariance =
            (1.0 - kalmanGain) * errorCovariance

        return estimate
    }
}

卡尔曼滤波器——更高级的方法，考虑了RSSI变化的动态特性，且延迟比滑动平均更小。对于固定信标（静止），滑动平均可获得可接受的结果。对于移动设备，卡尔曼滤波器更优，因为它能更快适应变化。此外，可使用中值滤波器剔除异常值。

在iOS和Android中获取RSSI

iOS Core Bluetooth在RSSI读取完成后通过peripheral.rssi（NSNumber）属性提供RSSI。要获取广播包的RSSI，使用advertisementData[CBAdvertisementDataRSSIKey]。iOS返回三个信道的平均值作为RSSI。如需持续监控RSSI，调用readRSSI的频率不超过每秒1次。

// 在iOS上获取RSSI
func centralManager(
    _ central: CBCentralManager,
    didDiscover peripheral: CBPeripheral,
    advertisementData: [String: Any],
    rssi RSSI: NSNumber
) {
    let signalStrength = Int(truncating: RSSI)

    // 过滤弱信号
    guard signalStrength > -90 else {
        return
    }

    print("设备 " +
          "\(peripheral.name ?? "unknown") " +
          "RSSI: \(signalStrength) dBm")
}

Android通过回调onScanResult提供RSSI：result.getRssi()。RSSI值为最后一个广播包的RSSI（非平均值）。为获得稳定的读数，需累积多个值并应用滤波。如果广播包中包含TX Power Level，Android还通过result.getScanRecord().getTxPowerLevel()提供该值。

// 在Android上获取RSSI
private val scanCallback = object : ScanCallback() {

    override fun onScanResult(
        callbackType: Int,
        result: ScanResult
    ) {
        val rssi = result.rssi
        val txPower = result.scanRecord?.
            txPowerLevel ?: -128

        // 应用卡尔曼滤波器
        val filtered = kalmanFilter.
            filter(rssi.toDouble())

        Log.d("BLEScanner",
            "RSSI: $rssi, " +
            "Filtered: $filtered, " +
            "TX: $txPower")
    }
}

开发使用RSSI进行定位的应用时，请注意：iOS中的RSSI值因硬件校准而更稳定，Android中的RSSI值噪声更大且取决于设备制造商。对于跨平台项目，建议在应用端实现滤波，并为每个平台设置可配置参数。