微信小程序iBeacon測距及穩定程序的實現解析

前言

iBeacon是蘋果公司推出的一項低耗能藍牙技術，由藍牙設備發射包含指定信息的信號，再由移動設備接收信號，從而實現近場通信。微信小程序2017年開始支持iBeacon，搖一搖附近就是基于iBeacon實現的，此外iBeacon還可以實現距離測量，本文將介紹如何基于微信小程序實現iBeacon測距。

iBeacon測距原理

藍牙信標發射的信號強度(rssi)與收發設備之間的距離，某種程度上呈正相關，因此通過合理的運算轉化，可以通過rssi的值反推出與接收設備間的距離。

藍牙信標的rssi值是一個參考值，沒有固定標準。想要計算出藍牙信標的距離，還必須知道這個信標設備的txPower值。txPower是指當距離藍牙信標1m時的rssi值，不同的藍牙設備或相同設備不同的工況甚至不同的場地環境，都會影響txPower值，因此這個值雖然可以測量，但一定程度上是個經驗值，無法測準。

rssi測距公式

知道rssi和txPower后就可以計算距離了，有兩種計算公式：

一、

這個公式里的三個變量A、B、C都是經驗值，需要根據手機系統或硬件型號精確調校，通常會將所有設備的校準結果保存成一個設備信息表，移動終端先檢測本機型號，然后匹配設備信息調取相應的計算配置，再進行計算。很明顯這個公式是比較依賴硬件調校的，沒有數據儲備的前提下這個公式會很難用。

轉換成js代碼：

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

未精校情況下的測距表現：

先說這個圖怎么看。

• 縱軸代表測量距離，橫軸代表時間，每隔一秒取樣一次，圖中是近10次取樣的數值曲線。
• 綠線是設備接收到的rssi值，反應硬件真實接收到的數據情況；
• 紅線是套用公式計算得出的瞬時距離；
• 黃線是微信小程序自帶的瞬時測距結果。

藍牙信標與手機的實際距離1m，測試設備為紅米Note7。

從上圖可見，rssi值相對穩定，說明硬件沒有太大問題。紅線和黃線的波動都很大，說明準確度不咋地。二者的波動趨勢幾乎一致，所以有理由懷疑微信小程序內部也是用的這個測距公式。從結果來看，這個公式的準確度比較差，可能是因為沒有精校的原因。

二、

這個公式里的A就是rssi，tx是txPower，n是經驗值，n的取值跟物理環境有關。

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

公式二的測距表現：

人比人得死，貨比貨得扔啊。

圖中黃線還是波動的那么瘋狂，但紅線卻異常穩定，而且呈現出跟綠線一致的波動幅度，說明測距精度靠譜。這個公式只有一個參數，生產環境中的調校相對簡單，這里我們選擇公式二作為測距公式。

iBeacon測距穩定程序

藍牙信號本身就有波動性，加上現實環境中的很多因素也會影響到信號強度，比如物體遮擋、設備方向變化、硬件自身的穩定性等，所以接收設備檢測到的rssi值通常是“跳動”的，直接使用測距公式算出的結果，往往不可用。必須實現一個穩定程序，讓計算結果呈現出連續性和穩定性。

數據濾波

穩定程序主要做的事就是對波段數據“削峰填谷”，也可以稱作數據濾波。最簡單的濾波處理，就是收集一段時間的值求平均，只要硬件不出問題，固定距離的藍牙信標rssi值總是會在一個相對穩定的區間內變化，采樣時間越長，采樣的平均值就會越接近真實值，因此在靜態測距場景中，求平均是最佳方式。

//求數組平均值
const arrayAverage = arr => arr.reduce((acc, val) => acc + val, 0) / arr.length;
return arrayAverage([...])

具體實現是，當程序源源不斷的接收到信標的rssi時，先用公式計算出瞬時測距結果，然后將結果存進一個數組，然后計算這個數組的平均值。靜態測距時，測量結果還是非常準的，2m以內的距離誤差可以低至0.1m。

實際應用中往往都是動態測距，所以采樣數據的長度要加以限制，比如按后進先出的順序，取最近10組數據。具體采樣隊列設為多長，要根據項目實際需求而定。采樣隊列的長度越長，測距結果越平滑，但對移動端的動態捕捉越遲鈍；反之采樣隊列越短，結果越銳利，對移動端的動態捕捉越靈敏。

有時因為一些偶然因素，采樣隊列中會出現個別大幅偏離真實值的“燥音”數據，即使求平均也難以有效抹除影響，為消除這種影響，可以在求平均前先用高斯模糊算法對“偏大值”和“偏小值”做平滑處理，最大限度的降低數據噪音的干擾。

高斯模糊算法的關鍵是根據平均差求權重，一維高斯模糊的權重計算公式：

轉換成js代碼：

//求一維隊列某點的高斯模糊權重 @param(隊列長度，目標位置, 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);
}

關于“偏大值”和“偏小值”的概念將在下文介紹，這里只要知道我們的模糊目標是那些“極端數據”就行了。

時間加權

基于采樣隊列求平均的處理方式，不可避免的會讓結果產生滯后性，這時可以引入時間加權的補償算法。

所謂時間加權，是指在求平均值的時候，給距離當前時間較近的值更高的計算權重，反之給距離當前時間較遠的值較低的計算權重，實現起來也非常簡單。

以最簡單的權重分配為例，將采樣隊列一分為二，按時間遠近定位為“當前組”和“過去組”，比如說我想讓當前組的權重是過去組的2倍，那么只要將當前組數據全部復制一份加入隊列，然后再計算新隊列的平均值。

//時間加權處理
queue = queue.slice(0, parseInt(queue.length / 2)).concat(queue)
//求平均
return arrayAverage(queue)

動態跟進

經過時間加權處理后，數據的滯后性會得到一定的抑制，但如果遇到比較“陡峭”的距離變化，這種處理仍然會給出一個相對“平滑”的反饋，為了讓穩定程序能更好的感知動態變化，并且做出跟進反應，還需要人為的設置一些特殊條件。

首先，如何判斷移動設備正在遠離或靠近？

這里有一個簡單的思路，可以先找出采樣隊列中的最大值和最小值，然后以一定的閾值找出偏大值和偏小值。比如隊列中的最大值是3，最小值是1，閾值設置為0.1m，那么大于2.9m的數據都算偏大值，小于1.1m的數據都算偏小值。偏大值和偏小值的隊列長度最長不超過總隊列的二分之一。

然后，如果偏大值集中在隊列的前三分之一部分，那么我們可以認為移動設備正在果斷遠離；反之偏小值集中在隊列的前三分之一部分，則可以認為移動設備正在靠近。

//maxCount為偏大值的序號數組
//minCount為偏小值的序號數組
//queueLength為隊列長度

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

基于這種遠離和靠近的趨勢判斷，我們可以人為的讓數據向運動方向做更激進的傾斜。怎么做呢？跳過時間加權邏輯，如果判斷為正在遠離，那么就將隊列中的偏小值過濾掉，反之則將偏大值過濾掉，只計算剩下的數據；這種處理會得到一個明顯過激的結果，但考慮到現實世界中的運動往往具有慣性，這種激進處理，可能會更貼合真實的運動情況，而且讓數據的響應更“靈敏”。

效果檢驗

做到目前為止效果怎么樣呢，直接看圖吧。

下圖中，綠線依然是rssi值，紅線是根據rssi直接算出來的瞬時測距結果，黃線是加入穩定程序后的測距結果。

第一張圖是相對靜止的條件，可以看到黃線相對紅線明顯更加平穩，說明穩定程序還是起作用的。

第二張圖是模擬快速遠離的場景，可以看到黃線在保證平穩的前提下緊跟紅線，沒有被甩掉，主要體現的是穩定程序的動態跟進效果。

第三張圖是掄胳膊甩手機+遮擋信號模擬出的場景，貌似穩定程序也架不住了，有點飄忽。

以上是關于穩定程序的簡要實現思路，生產環境中肯定會面臨更加復雜的情況，免不了還要做大量調試，這里只是拋磚引玉。

總結

藍牙測距簡單來說就是一個公式的應用，本身比較簡單，基于測距可以實現很多近場應用，比如近場簽到、近場推送等等，更進一步甚至可以實現對移動設備的定位，有了定位信息，很多室內定位、室內導航相關的應用就都可以實現了。

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持億速云。