Estoy calculando la distancia desde un RSSI, y como parece tener una variación bastante alta, quiero tomar un promedio móvil exponencial.
Mi pregunta es: ¿En qué parte de este cálculo es más aplicable aplicar el filtro de promedio móvil?
¿Quiero tomar el promedio móvil de:
Solo "RSSI" suele ser una señal logarítmica. Como tal, no es apropiado para promediar. Creo que el espacio más apropiado para promediar es la intensidad de los campos lineales, proporcional a voltios/metro. Eso sería una constante para el poder de RSSI.
Entonces, para cada lectura de RSSI, haga K RSSI , filtre esos filtros de paso bajo, luego invierta el valor filtrado de paso bajo para tener una idea aproximada de la distancia. Tenga en cuenta que muchas cosas afectan la intensidad de la señal además de la distancia. Estos incluyen la orientación de las antenas transmisora y receptora, la interferencia destructiva o constructiva de trayectos múltiples y la absorción y el bloqueo de cosas en el entorno. Obtendrá solo una idea aproximada de la distancia en el mejor de los casos. Si te encuentras dentro de un factor de 2, entonces considérate afortunado.
pow(10, (rssi/10-3)/2)
, creo?Tomas un promedio de RSSI.
Razón: -
La distancia se basa en la potencia y la potencia se basa en RSSI, entonces, ¿por qué molestarse en convertir RSSI a cualquier otra cantidad significativa y luego promediar ese número? Eso usa demasiada potencia de CPU.
Quiero ampliar un poco mi comentario, aunque se superpone con lo que han dicho Andy y Olin.
El uso de RSSI para la localización (encontrar distancias) puede ser algo impredecible, incluso en entornos de laboratorio donde se ha minimizado el ruido. En el lado positivo, hay algunos casos en los que se comporta lo suficientemente bien. Lo primero que debe hacer es tomar algunas medidas y ver si actúa de manera casi predecible en su entorno. Puedo ofrecer más información sobre diferentes métodos aquí, pero primero debe tomar muestras en varias configuraciones que probablemente ocurran con su dispositivo y ver si la medición relativa de RSSI refleja las distancias relativas.
Una vez que haya hecho eso, si todo parece lo suficientemente predecible, entonces lo que quiere hacer es cuantificar esta previsibilidad calculando las distribuciones de probabilidad. Esto le permite cambiar la inferencia de afirmaciones como "Por la lectura de RSSI, estoy seguro de que la distancia es de 5 m" a "Por la lectura de RSSI que indica una distancia de 5 m, estoy 90 % seguro de que el objeto está entre 4 m y 6m".** Hay varios métodos que se pueden usar aquí, avíseme si está interesado.
Cuando Olin dice que "log" no es adecuado para promediar, lo que esto significa para mí es asumir que la medición de la distancia tiene una función de error que es igualmente probable que sea +e como -e, entonces "log" tendrá un error sesgado. Por otro lado, sin experimentos y predeterminando la distribución del error, no se sabe realmente qué medición está sesgada y cuál no. Incluso pueden estar sesgados dependiendo de su aplicación.
Una vez que haya determinado la distribución, terminará con el problema que mencionó Andy. ¿Qué tan computable es esto? En otras palabras, debe tomar la distribución de probabilidad de la señal o distancia RSSI y luego calcular la distribución de probabilidad de la señal suavizada. Esto variará mucho según la distribución de probabilidad del error y probablemente determinará dónde tiene más sentido colocar el filtro. Creo que en cualquier situación es probable que necesite un filtro con muy bajo
** Puede realizar este proceso tanto si sus datos son predecibles como si no. El problema es que podría estar interesado en determinar cuándo el objeto se ha movido 1 m y obtener resultados como "Estoy 90 % seguro de que el objeto se ha movido entre -1 m y 4 m" o invertir esta pregunta "¿Qué tan seguro estoy de que el objeto se ha movido?" 1 millón? 15%".
algunosEE
máx.