简介这份资源聚焦无线传感器网络WSN的室内定位算法与定位技术面向物联网、通信工程方向的学生及科研人员帮助其在MATLAB环境下完成从算法建模到性能评估的完整仿真实践。内容涵盖RSSI、TOA、TDOA、AOA等主流定位方法的实现思路并涉及节点拓扑构建、信号传播模拟、信道衰落与噪声干扰建模以及RMSE等定位精度指标的对比分析。资源包共79个文件以58个m脚本和14个mat数据文件为核心辅以docx说明文档、txt说明、fig图形与pdf资料整体约3.39MB便于直接运行与二次修改。目前已有215人学习下载。通过阅读代码与文档读者可掌握WSN定位算法的设计、仿真与优化流程理解不同算法在精度与硬件需求上的差异为课程设计、毕业课题或相关研究提供可复用的参考方案。1. 无线传感器网络室内定位为什么RSSI测距在真实走廊里总是偏做过无线传感器网络室内定位的人大多经历过这样一个场景在 MATLAB 里跑仿真RSSI 测距加三边定位误差曲线漂亮得像教科书平均误差 0.5 米。搬到真实走廊一测误差直接飙到 3 米以上定位点还会在墙上穿来穿去。这不是代码写错了而是仿真里那套理想假设——各向同性天线、对数距离路径损耗模型、视距传播——在真实室内环境里几乎全部失效。无线传感器网络定位技术的核心矛盾在于低成本节点只能提供粗粒度观测量RSSI、TOA、TDOA、AOA而室内多径、非视距、遮挡又让这些观测量严重退化。MATLAB 在这个方向上的价值不是替你解决物理层问题而是让你快速验证算法层面的抗差能力——最小二乘、加权最小二乘、极大似然、粒子滤波、扩展卡尔曼滤波哪种在你手里的场景更稳跑一遍就知道。这篇笔记面向两类人一是刚接触无线传感器网络室内定位算法、想用 MATLAB 把链路跑通的新手二是已经在做定位系统、但发现仿真和实测差距过大、想找排查思路的熟手。下面从信道模型、测距、定位解算到避坑按可复现的顺序讲清楚。2. 从RSSI到距离MATLAB里把信道模型和测距链路搭起来2.1 对数距离路径损耗模型参数怎么设才不飘RSSI 测距的起点是路径损耗模型。最常见的是对数距离模型P(d) P(d0) - 10 * n * log10(d / d0) X_sigma其中P(d0)是参考距离d0通常取 1 米处的接收功率n是路径损耗指数X_sigma是均值为零、标准差为sigma的高斯阴影衰落。MATLAB 里搭这个模型关键不是公式本身而是n和sigma的取值。环境类型路径损耗指数 n阴影标准差 sigma (dB)空旷走廊1.8 ~ 2.22 ~ 4办公室有隔断2.5 ~ 3.54 ~ 7密集障碍物3.5 ~ 5.06 ~ 10我一般会先用实测数据反推n固定发射节点在 1m、2m、4m、8m 处各采 200 个 RSSI 样本取均值后做线性拟合斜率除以-10就是n。这一步不做后面所有定位结果都是空中楼阁。% 对数距离路径损耗模型由RSSI反推距离 % 输入rssi_vec 实测RSSI向量(dBm)p_d0 参考距离1m处功率n 路径损耗指数 % 输出dist_vec 估计距离向量(m) function dist_vec rssi_to_distance(rssi_vec, p_d0, n) % 防止log10参数为负或零 rssi_vec max(rssi_vec, -100); % 由 P(d) P(d0) - 10*n*log10(d) 反解 d exponent (p_d0 - rssi_vec) / (10 * n); dist_vec 10 .^ exponent; % 距离下限截断避免出现0.01m这种物理上不合理的值 dist_vec max(dist_vec, 0.3); end逻辑说明这个函数把 RSSI 观测值映射为距离估计。p_d0和n必须来自同一环境的标定不能拿走廊的参数去套办公室。max(rssi_vec, -100)是防止接收机在极弱信号下输出异常值导致指数爆炸。距离下限 0.3m 是经验值因为室内近场天线方向图畸变严重小于这个距离的估计不可信。参数说明n每偏 0.5在 10 米处的距离估计误差可以到 1.5 米以上。sigma不直接进入这个反解公式但它决定了测距误差的方差后面加权最小二乘的权重矩阵要用到。2.2 三边定位与最小二乘从距离到坐标的第一步拿到至少三个锚节点到目标节点的距离后最直接的做法是三边定位。但真实场景里三个圆几乎不可能交于一点所以要转成最小二乘问题。设锚节点坐标为(xi, yi)目标坐标为(x, y)距离观测为di则(x - xi)^2 (y - yi)^2 di^2, i 1, 2, ..., N两两相减消去二次项得到线性方程组A * [x; y] b最小二乘解为(AA)^-1 Ab。% 最小二乘三边定位 % 输入anchors N×2 锚节点坐标dist_meas N×1 测距值 % 输出pos_est 1×2 估计坐标 function pos_est ls_trilateration(anchors, dist_meas) N size(anchors, 1); if N 3 error(至少需要3个锚节点); end % 以第一个锚节点为参考构造线性方程 A 2 * (anchors(2:end, :) - anchors(1, :)); b dist_meas(1)^2 - dist_meas(2:end).^2 ... sum(anchors(2:end, :).^2, 2) - sum(anchors(1, :).^2, 2); % 最小二乘求解 pos_est (A * A) \ (A * b); pos_est pos_est; end逻辑说明A的每一行是两个锚节点坐标差的 2 倍b里包含了距离平方差和坐标平方差。这个线性化过程会放大测距误差尤其是当锚节点几何分布不好共线或近似共线时AA接近奇异解会剧烈抖动。参数说明锚节点不要放在一条直线上GDOP几何精度因子会告诉你布局好不好。MATLAB 里可以算cond(A*A)条件数超过 1000 就要警惕。2.3 加权最小二乘给不同测距值分配信任度最小二乘把所有测距值一视同仁但实际中距离越远、RSSI 越弱、误差越大。加权最小二乘用权重矩阵W来体现这种差异通常取W diag(1/sigma_i^2)sigma_i是第 i 个测距值的标准差。% 加权最小二乘三边定位 % 输入anchors N×2dist_meas N×1sigma N×1 各测距标准差 % 输出pos_est 1×2 function pos_est wls_trilateration(anchors, dist_meas, sigma) N size(anchors, 1); A 2 * (anchors(2:end, :) - anchors(1, :)); b dist_meas(1)^2 - dist_meas(2:end).^2 ... sum(anchors(2:end, :).^2, 2) - sum(anchors(1, :).^2, 2); % 权重矩阵方差越小权重越大 W diag(1 ./ (sigma(2:end).^2)); pos_est (A * W * A) \ (A * W * b); pos_est pos_est; end逻辑说明sigma可以根据 RSSI 的阴影衰落标准差和路径损耗指数推算sigma_d (ln(10) * sigma_rssi / (10 * n)) * d。距离越远sigma_d越大权重自然降低。参数说明如果sigma给得不合理加权最小二乘可能比普通最小二乘还差。我一般先用普通最小二乘跑一遍用残差估计sigma再迭代一次。3. 定位算法选型从最小二乘到粒子滤波MATLAB里怎么对比3.1 极大似然估计把测距误差分布用起来极大似然估计MLE不把距离观测当成确定值而是假设每个di服从以真实距离为均值、sigma_i为标准差的高斯分布然后最大化联合概率密度。等价于最小化sum( (di - ||p - ai||)^2 / sigma_i^2 )这是一个非线性最小二乘问题MATLAB 里用fminsearch或lsqnonlin都能解。% 极大似然定位非线性最小二乘 function pos_est mle_localization(anchors, dist_meas, sigma, init_pos) % 目标函数加权残差平方和 cost_fn (p) sum( ((dist_meas - sqrt(sum((anchors - p).^2, 2))) ./ sigma).^2 ); options optimset(Display, off, TolX, 1e-6); pos_est fminsearch(cost_fn, init_pos, options); end逻辑说明init_pos用最小二乘解传入避免fminsearch陷入局部极小。sigma的引入让远距离观测的残差被压缩等价于加权。参数说明fminsearch是无约束优化如果场景有边界约束比如房间墙壁要换成fmincon。TolX设太小会增加迭代次数1e-6 足够。3.2 扩展卡尔曼滤波把运动模型和观测模型串起来如果目标是移动的EKF 比逐帧独立解算更稳。状态方程用匀速模型观测方程用测距模型雅可比矩阵手动推导。% EKF单步更新状态[x, y, vx, vy]观测为到各锚节点距离 function [x_est, P] ekf_step(x_pred, P_pred, anchors, dist_meas, sigma_rssi, n) N size(anchors, 1); % 观测方程 h(x)预测距离 dx x_pred(1) - anchors(:, 1); dy x_pred(2) - anchors(:, 2); h sqrt(dx.^2 dy.^2); % 雅可比矩阵 H H zeros(N, 4); H(:, 1) dx ./ h; H(:, 2) dy ./ h; % 观测噪声协方差 R由RSSI标准差换算 R diag((log(10) * sigma_rssi / (10 * n) * h).^2); % 卡尔曼增益 K P_pred * H / (H * P_pred * H R); x_est x_pred K * (dist_meas - h); P (eye(4) - K * H) * P_pred; end逻辑说明H是观测方程对状态的偏导前两列是方向余弦后两列是零距离观测不直接依赖速度。R随预测距离变化体现了远距离观测噪声更大的事实。参数说明sigma_rssi是 RSSI 测量标准差dBn是路径损耗指数。过程噪声Q需要根据目标机动性调走得太快就加大Q。3.3 粒子滤波非高斯、多峰的兜底方案当测距误差不是高斯分布或者场景里有多个可能的定位峰比如对称走廊粒子滤波更合适。MATLAB 里实现 SIR 粒子滤波核心是重要性采样和重采样。% SIR粒子滤波单步 function [particles, weights] pf_step(particles, weights, anchors, dist_meas, sigma, Q) Np size(particles, 1); % 预测加过程噪声 particles particles randn(Np, 2) * sqrt(Q); % 更新权重高斯似然 for i 1:Np pred_dist sqrt(sum((anchors - particles(i, :)).^2, 2)); likelihood prod(exp(-(dist_meas - pred_dist).^2 / (2 * sigma^2))); weights(i) weights(i) * likelihood; end weights weights / sum(weights); % 重采样系统重采样 if 1 / sum(weights.^2) Np / 2 idx randsample(Np, Np, true, weights); particles particles(idx, :); weights ones(Np, 1) / Np; end end逻辑说明Q是过程噪声协方差控制粒子扩散范围。重采样阈值Np/2是经验值有效粒子数低于一半就重采样防止退化。参数说明粒子数Np一般取 200~1000场景越大、精度要求越高取越多。sigma要和测距误差匹配给太小会导致权重集中在少数粒子上。4. 避坑与排查MATLAB仿真到实测之间最容易翻车的5个点4.1 现象仿真误差0.3米实测误差3米以上原因仿真里用的路径损耗参数n和sigma是理想值实测环境多径和遮挡让 RSSI 波动远超模型预测。另外仿真里锚节点几何分布往往很理想实测中锚节点可能被迫装在角落或天花板。解决先用实测数据重新标定n和sigma再检查锚节点布局的 GDOP。如果 GDOP 大于 6考虑增加锚节点或调整位置。MATLAB 里可以画 GDOP 热力图直观看到哪些区域定位精度差。4.2 现象最小二乘解跳到房间外面原因测距值中有个别异常大或异常小的值线性化后AA条件数爆炸解被拉偏。解决加一步粗差检测。用残差分析先算最小二乘解再算每个观测的残差残差超过 3 倍标准差的观测剔除重新解算。MATLAB 里fitlm或手动算r b - A * x都可以。4.3 现象EKF发散估计值越来越离谱原因过程噪声Q给太小滤波器过度信任运动模型观测修正跟不上或者R给太小滤波器过度信任测距值被异常值带偏。解决先调Q让滤波器对机动更敏感再检查R是否随距离变化。如果还是发散用新息序列dist_meas - h做卡方检验检测异常观测。4.4 现象粒子滤波权重退化所有粒子权重趋于零原因似然函数计算时多个观测的似然相乘导致数值下溢或者sigma给太小粒子稍微偏离观测就权重归零。解决似然取对数后再算权重或者每步更新后归一化前先减去最大权重。sigma不要小于实测测距标准差的 0.5 倍。4.5 现象MATLAB 2023 中文注释乱码原因MATLAB 2023 默认编码从 GBK 切到 UTF-8旧脚本用 GBK 保存打开就乱码。解决用feature(DefaultCharacterSet)查看当前编码。批量转换可以用iconv或 MATLAB 的native2unicode。新脚本统一存 UTF-8在脚本开头加%#ok*NASGU没用编码是文件属性要在编辑器里另存为 UTF-8。5. 进阶技巧用CRLB判断你的定位系统还有多少提升空间跑通定位算法之后下一个问题通常是当前精度是不是已经到极限了换更好的算法还有用吗这时候需要克拉美-罗下界CRLB。CRLB 给出了无偏估计器方差的理论下限如果当前误差已经接近 CRLB再调算法收益很小该换硬件或加锚节点了。对于 RSSI 测距定位CRLB 的推导思路是先写出观测向量对目标位置的 Fisher 信息矩阵FIM再求逆得到协方差下界。测距误差的标准差sigma_d随距离线性增长所以 FIM 里每一项都带1/sigma_d^2。% 计算RSSI定位的CRLB2D位置 % 输入anchors N×2true_pos 1×2sigma_rssi dBn 路径损耗指数 % 输出crlb_pos 2×2 位置协方差下界 function crlb_pos crlb_rssi(anchors, true_pos, sigma_rssi, n) N size(anchors, 1); FIM zeros(2, 2); for i 1:N d norm(true_pos - anchors(i, :)); % 距离标准差 sigma_d log(10) * sigma_rssi / (10 * n) * d; % 单位方向向量 u (true_pos - anchors(i, :)) / d; % 单个观测对FIM的贡献 FIM FIM (u * u) / sigma_d^2; end crlb_pos inv(FIM); end逻辑说明u * u是 2×2 的方向投影矩阵1/sigma_d^2是该观测的信息量。所有锚节点贡献累加得到 FIM求逆就是位置估计的协方差下界。对角线元素开根号就是 x 和 y 方向的标准差下界。参数说明sigma_rssi取实测的 RSSI 标准差n取标定值。如果算出来的 CRLB 是 0.5 米而你的算法跑出来 2 米说明算法还有优化空间如果 CRLB 就是 1.8 米那再怎么调算法也到不了 0.5 米该考虑加锚节点或换测距方式比如 TDOA 或 UWB。我一般会在部署前先跑一遍 CRLB 热力图看看整个区域的精度分布。如果某些角落 CRLB 特别大就提前补锚节点而不是等实测发现定位点乱跳再返工。这个习惯帮我省过好几次现场调试的时间。另外CRLB 还能用来做锚节点选择不是所有锚节点都参与解算就最好有时候选信息量最大的 4~5 个比全部塞进去更稳因为弱观测会拉低 FIM 的条件数。MATLAB 里可以用cond(FIM)判断条件数超过 1e4 就考虑降维或选子集。希望帮到你。本文还有配套的精品资源点击获取 无线传感器网络室内定位：MATLAB仿真与实测差距的根源与算法优化
简介这份资源聚焦无线传感器网络WSN的室内定位算法与定位技术面向物联网、通信工程方向的学生及科研人员帮助其在MATLAB环境下完成从算法建模到性能评估的完整仿真实践。内容涵盖RSSI、TOA、TDOA、AOA等主流定位方法的实现思路并涉及节点拓扑构建、信号传播模拟、信道衰落与噪声干扰建模以及RMSE等定位精度指标的对比分析。资源包共79个文件以58个m脚本和14个mat数据文件为核心辅以docx说明文档、txt说明、fig图形与pdf资料整体约3.39MB便于直接运行与二次修改。目前已有215人学习下载。通过阅读代码与文档读者可掌握WSN定位算法的设计、仿真与优化流程理解不同算法在精度与硬件需求上的差异为课程设计、毕业课题或相关研究提供可复用的参考方案。1. 无线传感器网络室内定位为什么RSSI测距在真实走廊里总是偏做过无线传感器网络室内定位的人大多经历过这样一个场景在 MATLAB 里跑仿真RSSI 测距加三边定位误差曲线漂亮得像教科书平均误差 0.5 米。搬到真实走廊一测误差直接飙到 3 米以上定位点还会在墙上穿来穿去。这不是代码写错了而是仿真里那套理想假设——各向同性天线、对数距离路径损耗模型、视距传播——在真实室内环境里几乎全部失效。无线传感器网络定位技术的核心矛盾在于低成本节点只能提供粗粒度观测量RSSI、TOA、TDOA、AOA而室内多径、非视距、遮挡又让这些观测量严重退化。MATLAB 在这个方向上的价值不是替你解决物理层问题而是让你快速验证算法层面的抗差能力——最小二乘、加权最小二乘、极大似然、粒子滤波、扩展卡尔曼滤波哪种在你手里的场景更稳跑一遍就知道。这篇笔记面向两类人一是刚接触无线传感器网络室内定位算法、想用 MATLAB 把链路跑通的新手二是已经在做定位系统、但发现仿真和实测差距过大、想找排查思路的熟手。下面从信道模型、测距、定位解算到避坑按可复现的顺序讲清楚。2. 从RSSI到距离MATLAB里把信道模型和测距链路搭起来2.1 对数距离路径损耗模型参数怎么设才不飘RSSI 测距的起点是路径损耗模型。最常见的是对数距离模型P(d) P(d0) - 10 * n * log10(d / d0) X_sigma其中P(d0)是参考距离d0通常取 1 米处的接收功率n是路径损耗指数X_sigma是均值为零、标准差为sigma的高斯阴影衰落。MATLAB 里搭这个模型关键不是公式本身而是n和sigma的取值。环境类型路径损耗指数 n阴影标准差 sigma (dB)空旷走廊1.8 ~ 2.22 ~ 4办公室有隔断2.5 ~ 3.54 ~ 7密集障碍物3.5 ~ 5.06 ~ 10我一般会先用实测数据反推n固定发射节点在 1m、2m、4m、8m 处各采 200 个 RSSI 样本取均值后做线性拟合斜率除以-10就是n。这一步不做后面所有定位结果都是空中楼阁。% 对数距离路径损耗模型由RSSI反推距离 % 输入rssi_vec 实测RSSI向量(dBm)p_d0 参考距离1m处功率n 路径损耗指数 % 输出dist_vec 估计距离向量(m) function dist_vec rssi_to_distance(rssi_vec, p_d0, n) % 防止log10参数为负或零 rssi_vec max(rssi_vec, -100); % 由 P(d) P(d0) - 10*n*log10(d) 反解 d exponent (p_d0 - rssi_vec) / (10 * n); dist_vec 10 .^ exponent; % 距离下限截断避免出现0.01m这种物理上不合理的值 dist_vec max(dist_vec, 0.3); end逻辑说明这个函数把 RSSI 观测值映射为距离估计。p_d0和n必须来自同一环境的标定不能拿走廊的参数去套办公室。max(rssi_vec, -100)是防止接收机在极弱信号下输出异常值导致指数爆炸。距离下限 0.3m 是经验值因为室内近场天线方向图畸变严重小于这个距离的估计不可信。参数说明n每偏 0.5在 10 米处的距离估计误差可以到 1.5 米以上。sigma不直接进入这个反解公式但它决定了测距误差的方差后面加权最小二乘的权重矩阵要用到。2.2 三边定位与最小二乘从距离到坐标的第一步拿到至少三个锚节点到目标节点的距离后最直接的做法是三边定位。但真实场景里三个圆几乎不可能交于一点所以要转成最小二乘问题。设锚节点坐标为(xi, yi)目标坐标为(x, y)距离观测为di则(x - xi)^2 (y - yi)^2 di^2, i 1, 2, ..., N两两相减消去二次项得到线性方程组A * [x; y] b最小二乘解为(AA)^-1 Ab。% 最小二乘三边定位 % 输入anchors N×2 锚节点坐标dist_meas N×1 测距值 % 输出pos_est 1×2 估计坐标 function pos_est ls_trilateration(anchors, dist_meas) N size(anchors, 1); if N 3 error(至少需要3个锚节点); end % 以第一个锚节点为参考构造线性方程 A 2 * (anchors(2:end, :) - anchors(1, :)); b dist_meas(1)^2 - dist_meas(2:end).^2 ... sum(anchors(2:end, :).^2, 2) - sum(anchors(1, :).^2, 2); % 最小二乘求解 pos_est (A * A) \ (A * b); pos_est pos_est; end逻辑说明A的每一行是两个锚节点坐标差的 2 倍b里包含了距离平方差和坐标平方差。这个线性化过程会放大测距误差尤其是当锚节点几何分布不好共线或近似共线时AA接近奇异解会剧烈抖动。参数说明锚节点不要放在一条直线上GDOP几何精度因子会告诉你布局好不好。MATLAB 里可以算cond(A*A)条件数超过 1000 就要警惕。2.3 加权最小二乘给不同测距值分配信任度最小二乘把所有测距值一视同仁但实际中距离越远、RSSI 越弱、误差越大。加权最小二乘用权重矩阵W来体现这种差异通常取W diag(1/sigma_i^2)sigma_i是第 i 个测距值的标准差。% 加权最小二乘三边定位 % 输入anchors N×2dist_meas N×1sigma N×1 各测距标准差 % 输出pos_est 1×2 function pos_est wls_trilateration(anchors, dist_meas, sigma) N size(anchors, 1); A 2 * (anchors(2:end, :) - anchors(1, :)); b dist_meas(1)^2 - dist_meas(2:end).^2 ... sum(anchors(2:end, :).^2, 2) - sum(anchors(1, :).^2, 2); % 权重矩阵方差越小权重越大 W diag(1 ./ (sigma(2:end).^2)); pos_est (A * W * A) \ (A * W * b); pos_est pos_est; end逻辑说明sigma可以根据 RSSI 的阴影衰落标准差和路径损耗指数推算sigma_d (ln(10) * sigma_rssi / (10 * n)) * d。距离越远sigma_d越大权重自然降低。参数说明如果sigma给得不合理加权最小二乘可能比普通最小二乘还差。我一般先用普通最小二乘跑一遍用残差估计sigma再迭代一次。3. 定位算法选型从最小二乘到粒子滤波MATLAB里怎么对比3.1 极大似然估计把测距误差分布用起来极大似然估计MLE不把距离观测当成确定值而是假设每个di服从以真实距离为均值、sigma_i为标准差的高斯分布然后最大化联合概率密度。等价于最小化sum( (di - ||p - ai||)^2 / sigma_i^2 )这是一个非线性最小二乘问题MATLAB 里用fminsearch或lsqnonlin都能解。% 极大似然定位非线性最小二乘 function pos_est mle_localization(anchors, dist_meas, sigma, init_pos) % 目标函数加权残差平方和 cost_fn (p) sum( ((dist_meas - sqrt(sum((anchors - p).^2, 2))) ./ sigma).^2 ); options optimset(Display, off, TolX, 1e-6); pos_est fminsearch(cost_fn, init_pos, options); end逻辑说明init_pos用最小二乘解传入避免fminsearch陷入局部极小。sigma的引入让远距离观测的残差被压缩等价于加权。参数说明fminsearch是无约束优化如果场景有边界约束比如房间墙壁要换成fmincon。TolX设太小会增加迭代次数1e-6 足够。3.2 扩展卡尔曼滤波把运动模型和观测模型串起来如果目标是移动的EKF 比逐帧独立解算更稳。状态方程用匀速模型观测方程用测距模型雅可比矩阵手动推导。% EKF单步更新状态[x, y, vx, vy]观测为到各锚节点距离 function [x_est, P] ekf_step(x_pred, P_pred, anchors, dist_meas, sigma_rssi, n) N size(anchors, 1); % 观测方程 h(x)预测距离 dx x_pred(1) - anchors(:, 1); dy x_pred(2) - anchors(:, 2); h sqrt(dx.^2 dy.^2); % 雅可比矩阵 H H zeros(N, 4); H(:, 1) dx ./ h; H(:, 2) dy ./ h; % 观测噪声协方差 R由RSSI标准差换算 R diag((log(10) * sigma_rssi / (10 * n) * h).^2); % 卡尔曼增益 K P_pred * H / (H * P_pred * H R); x_est x_pred K * (dist_meas - h); P (eye(4) - K * H) * P_pred; end逻辑说明H是观测方程对状态的偏导前两列是方向余弦后两列是零距离观测不直接依赖速度。R随预测距离变化体现了远距离观测噪声更大的事实。参数说明sigma_rssi是 RSSI 测量标准差dBn是路径损耗指数。过程噪声Q需要根据目标机动性调走得太快就加大Q。3.3 粒子滤波非高斯、多峰的兜底方案当测距误差不是高斯分布或者场景里有多个可能的定位峰比如对称走廊粒子滤波更合适。MATLAB 里实现 SIR 粒子滤波核心是重要性采样和重采样。% SIR粒子滤波单步 function [particles, weights] pf_step(particles, weights, anchors, dist_meas, sigma, Q) Np size(particles, 1); % 预测加过程噪声 particles particles randn(Np, 2) * sqrt(Q); % 更新权重高斯似然 for i 1:Np pred_dist sqrt(sum((anchors - particles(i, :)).^2, 2)); likelihood prod(exp(-(dist_meas - pred_dist).^2 / (2 * sigma^2))); weights(i) weights(i) * likelihood; end weights weights / sum(weights); % 重采样系统重采样 if 1 / sum(weights.^2) Np / 2 idx randsample(Np, Np, true, weights); particles particles(idx, :); weights ones(Np, 1) / Np; end end逻辑说明Q是过程噪声协方差控制粒子扩散范围。重采样阈值Np/2是经验值有效粒子数低于一半就重采样防止退化。参数说明粒子数Np一般取 200~1000场景越大、精度要求越高取越多。sigma要和测距误差匹配给太小会导致权重集中在少数粒子上。4. 避坑与排查MATLAB仿真到实测之间最容易翻车的5个点4.1 现象仿真误差0.3米实测误差3米以上原因仿真里用的路径损耗参数n和sigma是理想值实测环境多径和遮挡让 RSSI 波动远超模型预测。另外仿真里锚节点几何分布往往很理想实测中锚节点可能被迫装在角落或天花板。解决先用实测数据重新标定n和sigma再检查锚节点布局的 GDOP。如果 GDOP 大于 6考虑增加锚节点或调整位置。MATLAB 里可以画 GDOP 热力图直观看到哪些区域定位精度差。4.2 现象最小二乘解跳到房间外面原因测距值中有个别异常大或异常小的值线性化后AA条件数爆炸解被拉偏。解决加一步粗差检测。用残差分析先算最小二乘解再算每个观测的残差残差超过 3 倍标准差的观测剔除重新解算。MATLAB 里fitlm或手动算r b - A * x都可以。4.3 现象EKF发散估计值越来越离谱原因过程噪声Q给太小滤波器过度信任运动模型观测修正跟不上或者R给太小滤波器过度信任测距值被异常值带偏。解决先调Q让滤波器对机动更敏感再检查R是否随距离变化。如果还是发散用新息序列dist_meas - h做卡方检验检测异常观测。4.4 现象粒子滤波权重退化所有粒子权重趋于零原因似然函数计算时多个观测的似然相乘导致数值下溢或者sigma给太小粒子稍微偏离观测就权重归零。解决似然取对数后再算权重或者每步更新后归一化前先减去最大权重。sigma不要小于实测测距标准差的 0.5 倍。4.5 现象MATLAB 2023 中文注释乱码原因MATLAB 2023 默认编码从 GBK 切到 UTF-8旧脚本用 GBK 保存打开就乱码。解决用feature(DefaultCharacterSet)查看当前编码。批量转换可以用iconv或 MATLAB 的native2unicode。新脚本统一存 UTF-8在脚本开头加%#ok*NASGU没用编码是文件属性要在编辑器里另存为 UTF-8。5. 进阶技巧用CRLB判断你的定位系统还有多少提升空间跑通定位算法之后下一个问题通常是当前精度是不是已经到极限了换更好的算法还有用吗这时候需要克拉美-罗下界CRLB。CRLB 给出了无偏估计器方差的理论下限如果当前误差已经接近 CRLB再调算法收益很小该换硬件或加锚节点了。对于 RSSI 测距定位CRLB 的推导思路是先写出观测向量对目标位置的 Fisher 信息矩阵FIM再求逆得到协方差下界。测距误差的标准差sigma_d随距离线性增长所以 FIM 里每一项都带1/sigma_d^2。% 计算RSSI定位的CRLB2D位置 % 输入anchors N×2true_pos 1×2sigma_rssi dBn 路径损耗指数 % 输出crlb_pos 2×2 位置协方差下界 function crlb_pos crlb_rssi(anchors, true_pos, sigma_rssi, n) N size(anchors, 1); FIM zeros(2, 2); for i 1:N d norm(true_pos - anchors(i, :)); % 距离标准差 sigma_d log(10) * sigma_rssi / (10 * n) * d; % 单位方向向量 u (true_pos - anchors(i, :)) / d; % 单个观测对FIM的贡献 FIM FIM (u * u) / sigma_d^2; end crlb_pos inv(FIM); end逻辑说明u * u是 2×2 的方向投影矩阵1/sigma_d^2是该观测的信息量。所有锚节点贡献累加得到 FIM求逆就是位置估计的协方差下界。对角线元素开根号就是 x 和 y 方向的标准差下界。参数说明sigma_rssi取实测的 RSSI 标准差n取标定值。如果算出来的 CRLB 是 0.5 米而你的算法跑出来 2 米说明算法还有优化空间如果 CRLB 就是 1.8 米那再怎么调算法也到不了 0.5 米该考虑加锚节点或换测距方式比如 TDOA 或 UWB。我一般会在部署前先跑一遍 CRLB 热力图看看整个区域的精度分布。如果某些角落 CRLB 特别大就提前补锚节点而不是等实测发现定位点乱跳再返工。这个习惯帮我省过好几次现场调试的时间。另外CRLB 还能用来做锚节点选择不是所有锚节点都参与解算就最好有时候选信息量最大的 4~5 个比全部塞进去更稳因为弱观测会拉低 FIM 的条件数。MATLAB 里可以用cond(FIM)判断条件数超过 1e4 就考虑降维或选子集。希望帮到你。本文还有配套的精品资源点击获取