微信小程序iBeacon测距及稳定程序的实现 | 前端路上

iBeacon是苹果公司推出的一项低耗能蓝牙技术，由蓝牙设备发射包含指定信息的信号，再由移动设备接收信号，从而实现近场通信。微信小程序2017年开始支持iBeacon，摇一摇附近就是基于iBeacon实现的，此外iBeacon还可以实现距离测量，本文将介绍如何基于微信小程序实现iBeacon测距。

iBeacon测距原理

蓝牙信标发射的信号强度(rssi)与收发设备之间的距离，某种程度上呈正相关，因此通过合理的运算转化，可以通过rssi的值反推出与接收设备间的距离。

蓝牙信标的rssi值是一个参考值，没有固定标准。想要计算出蓝牙信标的距离，还必须知道这个信标设备的txPower值。txPower是指当距离蓝牙信标1m时的rssi值，不同的蓝牙设备或相同设备不同的工况甚至不同的场地环境，都会影响txPower值，因此这个值虽然可以测量，但一定程度上是个经验值，无法测准。

rssi测距公式

知道rssi和txPower后就可以计算距离了，有两种计算公式：

一、

这个公式里的三个变量A、B、C都是经验值，需要根据手机系统或硬件型号精确调校，通常会将所有设备的校准结果保存成一个设备信息表，移动终端先检测本机型号，然后匹配设备信息调取相应的计算配置，再进行计算。很明显这个公式是比较依赖硬件调校的，没有数据储备的前提下这个公式会很难用。

转换成js代码：

1
2
3

const calculateAccuracy = function (txPower, rssi) {
  return (0.89976) * Math.pow(rssi / txPower, 7.7095) + 0.111
}

未精校情况下的测距表现：

先说这个图怎么看。

纵轴代表测量距离，横轴代表时间，每隔一秒取样一次，图中是近10次取样的数值曲线。
绿线是设备接收到的rssi值，反应硬件真实接收到的数据情况；
红线是套用公式计算得出的瞬时距离；
黄线是微信小程序自带的瞬时测距结果。

蓝牙信标与手机的实际距离1m，测试设备为红米Note7。

从上图可见，rssi值相对稳定，说明硬件没有太大问题。红线和黄线的波动都很大，说明准确度不咋地。二者的波动趋势几乎一致，所以有理由怀疑微信小程序内部也是用的这个测距公式。从结果来看，这个公式的准确度比较差，可能是因为没有精校的原因。

二、

这个公式里的A就是rssi，tx是txPower，n是经验值，n的取值跟物理环境有关。

转换成js代码：

1
2
3

const calculateAccuracy = function (txPower, rssi) {
  return Math.pow(10, Math.abs(rssi - txPower) / (10 * 4))
}

公式二的测距表现：

人比人得死，货比货得扔啊。

图中黄线还是波动的那么疯狂，但红线却异常稳定，而且呈现出跟绿线一致的波动幅度，说明测距精度靠谱。这个公式只有一个参数，生产环境中的调校相对简单，这里我们选择公式二作为测距公式。

iBeacon测距稳定程序

蓝牙信号本身就有波动性，加上现实环境中的很多因素也会影响到信号强度，比如物体遮挡、设备方向变化、硬件自身的稳定性等，所以接收设备检测到的rssi值通常是“跳动”的，直接使用测距公式算出的结果，往往不可用。必须实现一个稳定程序，让计算结果呈现出连续性和稳定性。

数据滤波

稳定程序主要做的事就是对波段数据“削峰填谷”，也可以称作数据滤波。最简单的滤波处理，就是收集一段时间的值求平均，只要硬件不出问题，固定距离的蓝牙信标rssi值总是会在一个相对稳定的区间内变化，采样时间越长，采样的平均值就会越接近真实值，因此在静态测距场景中，求平均是最佳方式。

//求数组平均值
const arrayAverage = arr => arr.reduce((acc, val) => acc + val, 0) / arr.length;

return arrayAverage([...])

具体实现是，当程序源源不断的接收到信标的rssi时，先用公式计算出瞬时测距结果，然后将结果存进一个数组，然后计算这个数组的平均值。静态测距时，测量结果还是非常准的，2m以内的距离误差可以低至0.1m。

实际应用中往往都是动态测距，所以采样数据的长度要加以限制，比如按后进先出的顺序，取最近10组数据。具体采样队列设为多长，要根据项目实际需求而定。采样队列的长度越长，测距结果越平滑，但对移动端的动态捕捉越迟钝；反之采样队列越短，结果越锐利，对移动端的动态捕捉越灵敏。

有时因为一些偶然因素，采样队列中会出现个别大幅偏离真实值的“燥音”数据，即使求平均也难以有效抹除影响，为消除这种影响，可以在求平均前先用高斯模糊算法对“偏大值”和“偏小值”做平滑处理，最大限度的降低数据噪音的干扰。

高斯模糊算法的关键是根据平均差求权重，一维高斯模糊的权重计算公式：

转换成js代码：

//求一维队列某点的高斯模糊权重 @param(队列长度，目标位置, 平均差)
const getOneGuassionArray = function (size, kerR, sigma) {
  if (size % 2 > 0) {
    size -= 1
  }
  if (!size) {
    return []
  }
  if (kerR > size-1){
    return []
  }
  let sum = 0;
  let arr = new Array(size);

  for (let i = 0; i < size; i++) {
    arr[i] = Math.exp(-((i - kerR) * (i - kerR)) / (2 * sigma * sigma));
    sum += arr[i];
  }

  return arr.map(e => e / sum);
}

关于“偏大值”和“偏小值”的概念将在下文介绍，这里只要知道我们的模糊目标是那些“极端数据”就行了。

时间加权

基于采样队列求平均的处理方式，不可避免的会让结果产生滞后性，这时可以引入时间加权的补偿算法。

所谓时间加权，是指在求平均值的时候，给距离当前时间较近的值更高的计算权重，反之给距离当前时间较远的值较低的计算权重，实现起来也非常简单。

以最简单的权重分配为例，将采样队列一分为二，按时间远近定位为“当前组”和“过去组”，比如说我想让当前组的权重是过去组的2倍，那么只要将当前组数据全部复制一份加入队列，然后再计算新队列的平均值。

//时间加权处理
queue = queue.slice(0, parseInt(queue.length / 2)).concat(queue)
//求平均
return arrayAverage(queue)

动态跟进

经过时间加权处理后，数据的滞后性会得到一定的抑制，但如果遇到比较“陡峭”的距离变化，这种处理仍然会给出一个相对“平滑”的反馈，为了让稳定程序能更好的感知动态变化，并且做出跟进反应，还需要人为的设置一些特殊条件。

首先，如何判断移动设备正在远离或靠近？

这里有一个简单的思路，可以先找出采样队列中的最大值和最小值，然后以一定的阈值找出偏大值和偏小值。比如队列中的最大值是3，最小值是1，阈值设置为0.1m，那么大于2.9m的数据都算偏大值，小于1.1m的数据都算偏小值。偏大值和偏小值的队列长度最长不超过总队列的二分之一。

然后，如果偏大值集中在队列的前三分之一部分，那么我们可以认为移动设备正在果断远离；反之偏小值集中在队列的前三分之一部分，则可以认为移动设备正在靠近。

//maxCount为偏大值的序号数组
//minCount为偏小值的序号数组
//queueLength为队列长度

if (arrayAverage(maxCount) < parseInt(queueLength / 3)) {
    console.log(`正在远离`)
} else if (arrayAverage(minCount) < parseInt(queueLength / 3)) {
    console.log(`正在靠近`)
}

基于这种远离和靠近的趋势判断，我们可以人为的让数据向运动方向做更激进的倾斜。怎么做呢？跳过时间加权逻辑，如果判断为正在远离，那么就将队列中的偏小值过滤掉，反之则将偏大值过滤掉，只计算剩下的数据；这种处理会得到一个明显过激的结果，但考虑到现实世界中的运动往往具有惯性，这种激进处理，可能会更贴合真实的运动情况，而且让数据的响应更“灵敏”。