談及室內定位，則必須討論到距離偵測。在室內應用情境下，由於採用多個BLE信標(Beacon)進行定位，因此對單一Beacon測距精準度要求並不高；若要提升測距精準度進行提昇，可採用Kalman Filter相關技術，計算上就相對複雜許多。有鑑於此，本文將探討均化(RSSI Ensemble Mean Smoothing)演算法與分段接收信號強度指示(RSSI)轉換距離演算法等方式，期望藉此降低定位的計算複雜度，並提昇測距精準度。
本文採用自製BLE開發平台BLEIoT實現藍牙測距演算法。此平台是以「MDBT40 nano(BT4.1 Module)藍牙系統模組」方案作設計參考，核心為內含支援BLE之嵌入式2.4GHz收發器的nRF51822系統單晶片(SoC)，其主要組成單元包括一個位於AHB匯流排之ARM Cortex-M0 32位元處理器、16Kb隨機存取記憶體(RAM)與256Kb非揮發性記憶體(NVM)；此系統運行於2,402MHz~2,480MHz頻譜，分為40個頻道，並透過GAP(Generic Access Profile)、GATT(Generic Attributes)設定每隔50ms發送一次封包，達成Beacon功能。
雙層分析RSSI值 構成新測距演算法
本文提出一藍牙測距演算法，我們稱之為「BLE Ranging Algorithm」，先透過主控端(如智慧型手機)接收到BLE裝置訊號強弱數值(RSSI)，再經均化演算法及分段RSSI轉換距離演算法等方式完成測距，流程如圖1。
均化演算法應用差異
此小節分別實測兩種應用情境，說明均化演算法之成效。
．距離不變下之RSSI實驗數據
參考圖2，實驗設計是將手機與BLEIoT裝置靜置後每秒讀取的RSSI值做比較，總計100秒，其中灰線(Non-Smoothing)是直接透過手機獲得BLEIoT之RSSI數值，黑線為經均化演算法處理之BLEIoT RSSI數值；透過此圖可清楚發現，經均化演算法處理的RSSI變化幅度大幅縮小，因此能改善計算距離時的誤差。
．變動距離下之RSSI實驗數據
圖3紀錄不同測試距離之下手機測得BLEIoT裝置的RSSI數值，距離從1公尺至12公尺；灰線是透過手機獲得之RSSI數值(Non-Smoothing)、黑線是經過我們均化演算法處理過之RSSI數值，此處RSSI理論值為利用測距公式(5)由距離值轉換而來，而測距公式將在下一節詳細說明。
對於精準度，本文採兩種常見的評估誤差方法–方均根差(RMSE)與平均絕對值百分誤差(MAPE)，如下式：
……(1)
……(2)
其中Ai為第i筆實際值，Fi為第i筆RSSI計算值，n為實驗資料總筆數。這兩種評估方法可以用來衡量實際值與計算值之間的誤差，當RMSE/MAPE越小時，表示RSSI計算值與實際值越接近。
表1整理均化演算法與單由手機獲得之RSSI數值的RMSE、MAPE資料，從圖3中可發現，相較RSSI均化(黑線)與理論值(虛線)的誤差，由手機獲得之RSSI數值(灰線)與理論值(虛線)的誤差會來得小。
造成訊號不穩定之因素相當多，其中環境為影響無線傳輸的主要因素，當環境中有金屬或其他遮蔽物會直接影響其訊號強弱，而在環境中若有與此訊號同頻段之其他訊號亦會影響此訊號之強弱。
分段RSSI轉換距離實驗
RSSI轉換距離參考公式為：
……(3)
其中，A為距離1公尺時的RSSI數值，n為環境變數，通常介於0~4之間。然而，此公式若應用於我們常用之Android裝置上，似乎無法得到較佳的結果；因此，在參考Android Beacon與相關論文後，將採用一個分段RSSI轉換距離演算法，以實現本文藍牙測距的實驗。其公式為：
RSSI/A <= 1，則
……(4)
否則
……(5)
此方法能有效的運用於Android裝置測距，且因不需考慮環境變數，更適合運用於各種不同空間的測距。
圖4為藍牙測距的實驗數據資料，對應關係為位於不同距離下，手機透過均化演算法、分段RSSI轉換距離演算法所得之測距實驗數據。圖4中，虛線為實際距離值，灰線為手機獲得之RSSI數值(Non-Smoothing)計算出的距離值，黑線為經過整個「BLE Ranging Algorithm」流程得出之距離值。實驗數據顯示，透過我們所提出之均化演算法，搭配上述所提之距離公式計算後，可以得到更近似於實際距離之值。表2則整理出藍牙測距實驗數據對應實際距離之RMSE、MAPE資料。
減少誤差、不穩定性 新演算法強化精準度
本文展現如何善用手機讀取單一BLE IoT裝置之訊號強弱數值，進而計算出兩者間距；不僅使用均化演算法，並加以改良，將原本1秒讀取1次訊號強度而導致計算誤差較大，改為1讀取10次訊號強度，再取其平均數做為一次訊號強度值，使訊號的突波有效地被抑制下來。同時，此方式考量訊號變化的連續性，更進一步將藍牙訊號強度數值的不穩定性降低，再配合分段RSSI轉換距離演算法完成距離預測。
以MAPE來評估預測效果時，當MAPE <10%，預測效果為佳；當MAPE介於10%~20%時，則預測效果為尚可；本文實驗計算距離預測結果約是10-11%的MAPE，故本文所提出的藍牙測距演算法能有效提升測距精準度。
(作者均任職於工研院資訊與通訊研究所)
