室内三维定位技术解析：从RSSI模型到MATLAB算法实现

1. 项目概述：从数学建模到工程实践

2016年“华为杯”数学建模竞赛的C题，当年让不少参赛队伍挠头，核心就是“基于通信基站的室内三维定位”。听起来挺高大上，但说白了，就是在一个已知坐标的房间里，放上几个信号发射器（比如Wi-Fi AP或者蓝牙信标），然后让你通过测量一个移动终端（比如手机）接收到的信号强度（RSSI）或者到达时间差（TDOA），来反推出这个终端在三维空间里的精确位置（x, y, z）。这不仅仅是解一道数学题，更是对无线信号传播模型、最优化算法和工程实现能力的综合考验。我当年作为指导老师带过队，后来在实际的物联网和智慧仓储项目中，也反复应用和优化过类似的技术方案。今天，我就从一个过来人的角度，把这个题目的内核、解题思路、关键难点，以及如何用MATLAB把它从模型变成可运行的代码，掰开揉碎了讲清楚。无论你是正在备战数模竞赛的学生，还是对室内定位技术感兴趣的工程师，这篇文章都能给你提供一套从理论到实践的完整参考。

这个问题的价值远超竞赛本身。在大型商场里找一家店铺、在仓库里快速定位一件货物、在博物馆里实现展品的智能导览，甚至在未来更复杂的工业环境中，精准的室内三维定位都是底层刚需。而基于现有通信基站（如Wi-Fi）的方案，最大的优势在于无需额外部署昂贵的专用硬件（如UWB基站），复用现有基础设施，成本低、易推广。但挑战也同样明显：信号在室内受多径效应、非视距传播、障碍物遮挡影响严重，简单的模型会失效，如何建立更精确的传播模型并稳健地求解，就是核心所在。

2. 核心思路与数学模型拆解

拿到这种题目，第一步不是急着写代码，而是把物理问题抽象成数学模型。题目通常会提供一些已知数据，比如几个基站的坐标 (x_i, y_i, z_i)，以及从待测点测量到的与各个基站之间的某种“距离观测量”。这个“观测量”可能是信号强度RSSI，也可能是信号到达时间TOA或时间差TDOA。我们的目标就是建立一个方程组，把待测点坐标 (x, y, z) 作为未知数解出来。

2.1 从信号到距离：传播模型是关键

最常用的观测量是接收信号强度指示（RSSI）。信号在空间中传播，功率会衰减。在理想自由空间下，衰减与距离的平方成反比。但在复杂的室内环境，墙壁、家具、行人都会造成反射、衍射和散射，所以我们需要使用更符合室内场景的传播模型。

对数距离路径损耗模型是室内定位的基石模型，其公式为：PL(d) = PL(d0) + 10 * n * log10(d/d0) + Xσ其中：

• PL(d)是在距离d处的路径损耗（单位dB）。
• PL(d0)是在参考距离d0（通常取1米）处的路径损耗。
• n是路径损耗指数，它决定了信号衰减的快慢。在开阔空间接近2，在有多堵墙的办公室可能高达4-6。
• Xσ是一个零均值的高斯随机变量，代表阴影衰落，由环境中的障碍物引起。

我们实际测量到的是接收信号强度RSSI，它与发射功率P_t和路径损耗PL(d)的关系为：RSSI = P_t - PL(d)。将模型代入，并忽略随机项进行初步估算，我们可以得到距离d与RSSI的关系：d = d0 * 10^((P_t - RSSI - PL(d0)) / (10 * n))

这里就出现了第一个关键点：模型参数校准。P_t、PL(d0)和n这些参数，在实际环境中并不是课本上的固定值。不同的基站硬件、不同的房间布局，这些值都可能不同。在竞赛或实际项目中，如果条件允许，需要通过在实际环境中采集一批已知位置点的RSSI数据，来反演拟合出这些参数，这个过程叫“指纹采集”或“模型训练”。如果题目没给数据，则需要根据典型环境给出合理假设值，比如设定n=3,P_t=-30dBm,PL(d0)=40dB。

注意：直接使用理想模型计算出的距离误差会很大，因为随机项Xσ被忽略了。因此，基于RSSI的定位，其核心思路往往不是直接把它当成精确测距，而是利用多个基站RSSI构成的“指纹”向量，通过匹配或优化算法来估计位置。

2.2 构建几何方程组

假设我们通过上述模型（或其他方法，如TDOA换算），得到了待测点到第i个基站的估计距离r_i。那么，我们可以建立一组方程：(x - x_i)^2 + (y - y_i)^2 + (z - z_i)^2 = r_i^2， 其中i = 1, 2, ..., N，N是基站数量。

对于三维定位，理论上N=4个不共面的基站就可以唯一确定一个点（类似GPS）。但在实际中，由于r_i存在测量误差，我们通常使用多于4个基站 (N>4) 来获得更好的精度，此时方程组是超定的（方程数多于未知数），没有精确解，我们需要寻找一个最优解。

2.3 问题转化：从方程组到优化问题

超定方程组求解的标准思路是将其转化为一个非线性最小二乘优化问题。我们定义目标函数为所有基站距离方程残差的平方和：F(x, y, z) = Σ_{i=1}^{N} [ sqrt((x - x_i)^2 + (y - y_i)^2 + (z - z_i)^2) - r_i ]^2

我们的目标就是找到一组(x, y, z)，使得目标函数F的值最小。这个问题是非线性的，因为待求坐标在平方根内。求解这类问题，MATLAB提供了强大的工具。

3. MATLAB求解实战：算法选择与实现细节

理论清晰后，我们用MATLAB来实现。整个过程可以分为：数据准备、算法选择与实现、结果可视化和误差分析。

3.1 数据准备与问题初始化

假设我们已知4个基站的坐标和测量距离（含误差）。

% 1. 基站坐标 (x, y, z)，单位：米 anchor_pos = [0, 0, 3; % 基站1，安装在墙角天花板下 10, 0, 3; % 基站2 10, 8, 2.5;% 基站3，高度略有不同 0, 8, 3]; % 基站4 % 2. 真实的待测点坐标（用于生成模拟数据，实际求解时未知） true_target = [4, 3, 1.5]; % 假设目标在室内离地1.5米高度 % 3. 计算真实距离 num_anchors = size(anchor_pos, 1); true_dist = sqrt(sum((anchor_pos - true_target).^2, 2)); % 按行求和 % 4. 模拟带有噪声的测量距离（实际比赛中，这个r_measured是题目给的） % 假设距离测量存在5%的高斯噪声 noise_level = 0.05; r_measured = true_dist .* (1 + noise_level * randn(num_anchors, 1)); % 确保距离不为负 r_measured = abs(r_measured);

这一步模拟了现实：我们只知道带噪声的r_measured，不知道true_target。

3.2 算法一：基于lsqnonlin的非线性最小二乘求解

这是最直接的方法。MATLAB的lsqnonlin函数专门用于解决非线性最小二乘问题。

% 定义目标函数（残差函数） fun = @(est_pos) sqrt(sum((anchor_pos - est_pos).^2, 2)) - r_measured; % 设置初始猜测值。初始值对非线性优化很重要，选不好可能陷入局部最优。 % 一个简单的初始值：所有基站坐标的几何中心（忽略高度，取xy平面中心，z取平均高度） initial_guess = [mean(anchor_pos(:,1)), mean(anchor_pos(:,2)), mean(anchor_pos(:,3))]; % 设置优化选项，提高显示细节和精度 options = optimoptions('lsqnonlin', 'Display', 'iter', 'Algorithm', 'levenberg-marquardt'); % 调用求解器 [est_pos_lsq, ~, residual, ~, ~] = lsqnonlin(fun, initial_guess, [], [], options); % 计算定位误差 error_lsq = norm(est_pos_lsq - true_target); fprintf('非线性最小二乘结果:\n'); fprintf('估计坐标: (%.3f, %.3f, %.3f)\n', est_pos_lsq); fprintf('真实坐标: (%.3f, %.3f, %.3f)\n', true_target); fprintf('定位误差: %.3f 米\n', error_lsq);

实操心得：lsqnonlin的‘levenberg-marquardt’算法对初始值相对鲁棒，但依然敏感。如果初始值离真实点太远（比如在房间外），可能会收敛到错误的位置。在实际应用中，可以用其他粗定位方法（如质心法）的结果作为初始值。

3.3 算法二：线性化方法（Chan氏算法及其变种）

非线性优化虽然准，但计算量相对大，且可能收敛慢。另一种思路是将非线性方程线性化，然后用线性最小二乘求解，速度极快。这是很多工程系统的首选。

我们以TDOA（到达时间差）模型为例来演示线性化。假设我们得到的是到达时间差，换算成距离差r_i1 = r_i - r_1，其中r_1是到第一个基站（参考站）的距离。

由r_i^2 = (x - x_i)^2 + (y - y_i)^2 + (z - z_i)^2和r_1^2 = (x - x_1)^2 + (y - y_1)^2 + (z - z_1)^2，两式相减，可以消去x^2, y^2, z^2项，得到：2*(x_1 - x_i)*x + 2*(y_1 - y_i)*y + 2*(z_1 - z_i)*z = r_i^2 - r_1^2 - (x_1^2+y_1^2+z_1^2) + (x_i^2+y_i^2+z_i^2)注意，等式右边r_i^2 - r_1^2可以写为(r_i - r_1)(r_i + r_1) = r_i1 * (r_i + r_1)。这里r_i1是已知的测量值（距离差），但(r_i + r_1)仍然包含未知数r_1。

经典的Chan氏算法采用两步加权最小二乘（WLS）来迭代求解。第一步，假设r_i + r_1 ≈ 2r_1（在目标离参考站不太远时近似成立），得到一个初始解。第二步，利用初始解估计出更精确的r_1，再代入进行第二次WLS求解，精度更高。

以下是简化版的线性化求解MATLAB代码（假设我们已有距离差测量值r_i1）：

% 假设我们已经有了基于TDOA计算出的距离差 r_i1 (i=2,3,4) % 这里为了演示，我们从真实距离生成带噪声的距离差 r_true = sqrt(sum((anchor_pos - true_target).^2, 2)); r_diff_true = r_true(2:end) - r_true(1); % 相对于第一个基站的距离差 % 加噪声模拟测量 r_diff_measured = r_diff_true + 0.1 * randn(num_anchors-1, 1); % 线性化方程构建： A * X = b % 其中 X = [x, y, z, R1]^T, R1是待测点到第一个基站的距离 A = []; b = []; for i = 2:num_anchors xi = anchor_pos(i,1); yi = anchor_pos(i,2); zi = anchor_pos(i,3); x1 = anchor_pos(1,1); y1 = anchor_pos(1,2); z1 = anchor_pos(1,3); A_i = [2*(x1-xi), 2*(y1-yi), 2*(z1-zi), -2*r_diff_measured(i-1)]; % 对应方程中 [x, y, z, R1] 的系数 b_i = [r_diff_measured(i-1)^2 - (x1^2+y1^2+z1^2) + (xi^2+yi^2+zi^2)]; % 方程右边常数项 A = [A; A_i]; b = [b; b_i]; end % 使用线性最小二乘求解 X = (A' * A) \ (A' * b); est_pos_linear = X(1:3)'; % 提取坐标估计值 R1_est = X(4); % 计算误差 error_linear = norm(est_pos_linear - true_target); fprintf('\n线性化方法结果:\n'); fprintf('估计坐标: (%.3f, %.3f, %.3f)\n', est_pos_linear); fprintf('定位误差: %.3f 米\n', error_linear);

注意：这个简化版代码没有进行Chan算法的第二步加权迭代，也没有考虑r_i + r_1的近似带来的误差。在实际高精度要求下，需要实现完整的加权迭代过程，并根据第一次求解的坐标协方差矩阵设置第二次迭代的权重。

3.4 算法三：质心定位法（粗糙但稳定）

当基站部署较密集、且目标大致位于基站覆盖区域中心时，一种极其简单稳定的方法是质心法。它不是基于距离方程，而是基于信号强度（RSSI）的权重。 思路是：信号越强，目标离该基站越近，该基站在位置估计中的权重应该越大。

% 假设我们测量到的是RSSI值（负数，绝对值越大信号越弱） % 模拟RSSI值，使用路径损耗模型生成 Pt = -30; % 发射功率 dBm PL_d0 = 40; % 参考距离1米处的路径损耗 dB n = 3; % 路径损耗指数 d0 = 1; true_dist = sqrt(sum((anchor_pos - true_target).^2, 2)); RSSI_measured = Pt - (PL_d0 + 10*n*log10(true_dist/d0)) + 2*randn(num_anchors,1); % 加2dB噪声 % 将RSSI转换为权重。一种常见方法：权重 w_i = 10^(RSSI_i / 10) 或使用信号强度的平方等。 % 这里使用指数形式，使强信号基站权重显著增大。 weight = 10.^(RSSI_measured / 20); % 除以20比除以10让权重差异更平缓 weight = weight / sum(weight); % 归一化 % 加权质心计算 est_pos_centroid = sum(anchor_pos .* weight, 1); % 按列加权求和 error_centroid = norm(est_pos_centroid - true_target); fprintf('\n加权质心法结果:\n'); fprintf('估计坐标: (%.3f, %.3f, %.3f)\n', est_pos_centroid); fprintf('定位误差: %.3f 米\n', error_centroid);

质心法计算量极小，实时性极高，对噪声有一定平滑作用。但其精度严重依赖于基站的几何分布和权重函数的合理性，在基站部署不均匀或目标在边缘时，误差会急剧增大。它常作为其他精细算法的初始值。

4. 误差来源分析与精度提升策略

仿真时我们能看到误差，现实中误差更大。必须系统性地分析误差来源，才能有的放矢地改进。

4.1 主要误差来源

1. 模型误差：对数距离路径损耗模型是对复杂室内环境的极度简化。它无法刻画信号穿过不同材质墙体时的特定衰减，也无法处理多径效应导致的信号起伏。
2. 测量噪声：硬件电路的热噪声、ADC量化误差、环境电磁干扰等，都会导致RSSI或TOA测量值波动。
3. 非视距（NLOS）误差：这是室内定位最大的“杀手”。当信号传播路径被墙体或大型物体阻挡，会发生衍射或穿透，导致额外的传播延时和信号衰减。此时，测量得到的“电波传播距离”会大于真实的“几何直线距离”，造成系统性正偏差。
4. 基站几何分布（GDOP）：即使测量没有误差，基站的几何布局也极大影响精度。如果所有基站几乎共线或共面，那么垂直于该线或面的方向（通常是高度z）的定位精度会非常差。这类似于GPS的精度因子（DOP）。

4.2 精度提升的实用技巧

1. 数据预处理与滤波：
   • 野值剔除：对于连续采样的RSSI，采用中值滤波或均值滤波，可以有效抑制突发干扰。
   • 滑动平均：对短时间内（如1秒）的多个测量值进行平均，平滑随机噪声。

   % 简单的滑动平均滤波示例 window_size = 5; rssi_raw = RSSI_measured; % 原始测量序列 rssi_filtered = filter(ones(1,window_size)/window_size, 1, rssi_raw);

2. 改进定位算法：
   • 残差加权：在非线性最小二乘中，可以为每个基站的残差赋予不同的权重。例如，信号强度大的基站（可能距离近、视距好）赋予高权重，信号弱的赋予低权重。权重可以是w_i = (RSSI_i / max(RSSI))^2或基于信噪比估计。
   • 鲁棒损失函数：将最小二乘的L2范数（平方和）换成Huber损失或L1范数（绝对值和），可以减少离群测量值（很可能是NLOS路径）对整体结果的影响。

   % 使用 lsqnonlin 配合自定义损失函数（需优化工具箱） % 可以尝试用 ‘huber’ 损失函数，它对小残差用L2，对大残差用L1，更鲁棒。 % 但lsqnonlin默认是L2。实现Huber需要更复杂的设置或自己写优化循环。

3. 融合其他传感器（多源融合）：
   • 这是工业级方案的核心。单纯依靠无线信号在复杂室内环境很难达到亚米级精度。
   • 惯性导航单元（IMU）：手机或终端自带的加速度计、陀螺仪可以提供短时间、高精度的位移和角度变化。当无线信号暂时失效或误差大时，IMU可以进行航位推算（DR）来维持定位。通过卡尔曼滤波（EKF）或粒子滤波（PF）融合无线定位结果和IMU数据，能大幅提升连续性和精度。
   • 气压计：对于三维定位，高度（z）是最难确定的。气压计可以提供相对高度变化，辅助约束z坐标的解算。
4. 环境指纹法（场景分析）：
   • 彻底放弃测距模型。在定位区域预先划分网格，在每个网格点上采集来自各个基站的RSSI向量，建立“指纹数据库”。在线定位时，将实时测得的RSSI向量与数据库中的指纹进行匹配（如K近邻、神经网络），找出最相似的位置。
   • 优点：能隐式地学习复杂的环境特征，对多径和NLOS有一定包容性。
   • 缺点：前期指纹采集工作量巨大，且环境布局改变（如移动家具）可能导致数据库失效，需要重新采集或更新。

5. 完整仿真流程与结果可视化

一个完整的定位仿真流程，应该包含从场景生成、数据模拟、算法求解到性能评估的全链条。下面我们整合前面的代码，并加入可视化。

%% 室内三维定位完整仿真示例 clear; clc; close all; % ===== 1. 场景与参数设置 ===== room_size = [10, 8, 3]; % 房间长宽高 [x, y, z] anchor_pos = [0,0,3; 10,0,3; 10,8,2.5; 0,8,3; 5,4,2.8]; % 5个基站 true_target = [4, 3, 1.2]; % 真实目标位置 % 传播模型参数 Pt = -30; PL_d0 = 40; n = 3.2; d0 = 1; shadowing_std = 3; % 阴影衰落标准差 dB % ===== 2. 生成模拟测量数据 ===== num_anchors = size(anchor_pos, 1); true_dist = sqrt(sum((anchor_pos - true_target).^2, 2)); % 模拟RSSI (含阴影衰落) RSSI_measured = Pt - (PL_d0 + 10*n*log10(true_dist/d0)) + shadowing_std*randn(num_anchors,1); % 将RSSI转换为带噪声的距离估计（基于模型） estimated_dist = d0 * 10.^((Pt - RSSI_measured - PL_d0) / (10*n)); % ===== 3. 运行多种定位算法 ===== % 算法1: 非线性最小二乘 (以质心法结果为初值) weight_init = 10.^(RSSI_measured / 20); weight_init = weight_init / sum(weight_init); init_guess = sum(anchor_pos .* weight_init, 1); fun = @(pos) sqrt(sum((anchor_pos - pos).^2, 2)) - estimated_dist; options = optimoptions('lsqnonlin', 'Display', 'off', 'Algorithm', 'levenberg-marquardt'); [pos_lsq, ~, residual_lsq] = lsqnonlin(fun, init_guess, [], [], options); error_lsq = norm(pos_lsq - true_target); % 算法2: 加权质心法 weight = 10.^(RSSI_measured / 20); weight = weight / sum(weight); pos_centroid = sum(anchor_pos .* weight, 1); error_centroid = norm(pos_centroid - true_target); % ===== 4. 可视化结果 ===== figure('Position', [100,100,1200,400]); % 子图1: 三维场景布局 subplot(1,3,1); hold on; grid on; view(3); % 绘制房间框架 plot3([0,room_size(1)], [0,0], [0,0], 'k-', 'LineWidth', 1.5); plot3([0,room_size(1)], [room_size(2),room_size(2)], [0,0], 'k-', 'LineWidth', 1.5); plot3([0,0], [0,room_size(2)], [0,0], 'k-', 'LineWidth', 1.5); plot3([room_size(1),room_size(1)], [0,room_size(2)], [0,0], 'k-', 'LineWidth', 1.5); plot3([0,0], [0,0], [0,room_size(3)], 'k-', 'LineWidth', 1.5); plot3([room_size(1),room_size(1)], [0,0], [0,room_size(3)], 'k-', 'LineWidth', 1.5); plot3([0,0], [room_size(2),room_size(2)], [0,room_size(3)], 'k-', 'LineWidth', 1.5); plot3([room_size(1),room_size(1)], [room_size(2),room_size(2)], [0,room_size(3)], 'k-', 'LineWidth', 1.5); % 绘制基站（红色五角星）和真实目标（绿色圆圈） plot3(anchor_pos(:,1), anchor_pos(:,2), anchor_pos(:,3), 'rp', 'MarkerSize', 12, 'MarkerFaceColor', 'r'); plot3(true_target(1), true_target(2), true_target(3), 'go', 'MarkerSize', 10, 'MarkerFaceColor', 'g', 'LineWidth', 2); % 绘制估计位置 plot3(pos_lsq(1), pos_lsq(2), pos_lsq(3), 'b^', 'MarkerSize', 10, 'MarkerFaceColor', 'b'); plot3(pos_centroid(1), pos_centroid(2), pos_centroid(3), 'ms', 'MarkerSize', 10, 'MarkerFaceColor', 'm'); % 绘制从估计位置到各基站的连线（虚线） for i = 1:num_anchors plot3([pos_lsq(1), anchor_pos(i,1)], [pos_lsq(2), anchor_pos(i,2)], [pos_lsq(3), anchor_pos(i,3)], 'b:'); end legend('房间', '基站', '真实位置', 'LSQ估计', '质心估计', 'Location', 'best'); xlabel('X (米)'); ylabel('Y (米)'); zlabel('Z (米)'); title('三维定位场景与结果'); axis equal; xlim([-1, room_size(1)+1]); ylim([-1, room_size(2)+1]); zlim([0, room_size(3)+1]); % 子图2: 各基站RSSI值 subplot(1,3,2); bar(1:num_anchors, RSSI_measured); xlabel('基站编号'); ylabel('RSSI (dBm)'); title('各基站接收信号强度'); grid on; % 子图3: 误差对比 subplot(1,3,3); errors = [error_lsq, error_centroid]; bar_categories = categorical({'非线性最小二乘', '加权质心法'}); bar(bar_categories, errors); ylabel('定位误差 (米)'); title('不同算法定位误差对比'); grid on; for i = 1:length(errors) text(i, errors(i)+0.05, sprintf('%.3f m', errors(i)), 'HorizontalAlignment', 'center'); end fprintf('===== 仿真结果汇总 =====\n'); fprintf('真实目标坐标: (%.2f, %.2f, %.2f)\n', true_target); fprintf('非线性最小二乘 -> 估计坐标: (%.2f, %.2f, %.2f), 误差: %.3f 米\n', pos_lsq, error_lsq); fprintf('加权质心法 -> 估计坐标: (%.2f, %.2f, %.2f), 误差: %.3f 米\n', pos_centroid, error_centroid);

这段代码运行后，会生成一个包含三个子图的综合结果图，直观展示场景布局、信号情况和算法性能对比。

6. 从仿真到实战：工程化考量与常见问题

把MATLAB仿真代码变成实际可用的系统，中间还有很长的路。这里分享几个关键的工程化考量点。

1. 坐标系统一与标定所有基站的坐标必须是同一个坐标系下的值。在实际部署中，需要用全站仪或激光测距仪精确测量每个基站的安装位置 (x, y, z)。这个“标定”过程的误差会直接成为系统误差。此外，如果终端（如手机）的天线相位中心与设备几何中心不重合，也需要考虑这个偏移量。

2. 时间同步问题如果采用TDOA方案，要求所有基站之间必须保持严格的时间同步。纳秒级的时间误差就会导致米级的距离误差。实现方式可以是：

• 有线同步：通过光纤或网线传输同步时钟信号（如PTP协议），精度最高，成本也高。
• 无线同步：利用额外的无线链路（如UWB）进行时钟同步，适合布线困难的场景。
• 共时钟源：所有基站共享同一个高稳定度的时钟源。

3. 动态环境与自适应室内环境不是一成不变的。人员走动、门开关、家具移动都会改变信道特性。一个健壮的系统需要具备一定的自适应能力：

• 模型参数在线更新：可以定期（如每天低峰期）采集少量参考点的数据，对路径损耗指数n和阴影衰落方差进行更新。
• NLOS检测与抑制：可以通过分析信号的信道冲激响应（CIR）特征、RSSI的时变性等，判断某条链路是否处于NLOS状态，并降低其在定位解算中的权重或将其剔除。

4. 计算复杂度与实时性在资源受限的嵌入式终端（如物联网标签）上运行复杂的非线性优化算法可能吃力。常见的策略是：

• 云端协同：终端只负责采集RSSI/TOA数据并上传，由服务器或边缘计算网关进行集中式解算，再将结果下发给终端。
• 分层定位：先使用计算量小的质心法或线性方法进行粗定位，只在需要高精度时（如进入关键区域）才触发精细的非线性优化。
• 算法简化：使用预先计算好的查找表或训练好的轻量级神经网络模型进行实时推断。

5. 实测中的“坑”

• 天线方向性：大部分Wi-Fi/蓝牙天线不是全向的，其增益随方向变化。终端旋转时，RSSI会有明显波动。解决方案是使用全向天线，或在指纹库中考虑多个朝向的数据。
• 人体遮挡：当人手持手机时，身体会对信号造成严重衰减（可达10-20dB）。这在指纹定位中是一个巨大挑战。可以考虑利用多个天线（MIMO）的多样性来缓解。
• 多径导致的RSSI波动：即使终端静止，RSSI也会因为环境中物体的微小移动（如风扇转动、窗帘飘动）而快速波动。必须进行有效的滤波处理。

最后，我想强调的是，室内定位没有“银弹”。基于通信基站的方案是在成本、精度和易用性之间权衡的结果。在2016年的数模竞赛中，能够清晰地建模、合理地处理误差、稳健地求解并给出误差分析，就已经是上乘之作。而在实际工程中，则需要根据具体的应用场景（是要求米级还是分米级？是静态定位还是动态跟踪？预算是多少？）来选择技术路线，并做好与各种“坑”长期斗争的准备。希望这篇结合了竞赛解题与工程实践的文章，能为你提供一个扎实的起点。所有的MATLAB代码都已给出，你可以改变参数、增加基站、模拟NLOS效应，亲手体验各种因素对定位精度的影响，这比任何理论都来得深刻。