---

1. DeepBLE 解决的到底是什么问题

在很多 BLE 室内定位研究里，默认假设是：

• 发射端固定；
• 环境固定；
• 接收设备也近似“同一种设备”。

但真实部署时，用户拿的手机却可能来自：

• Apple；
• Samsung；
• Huawei；
• 不同天线布局、不同接收芯片、不同系统栈、不同增益控制策略。

于是同一位置的 RSSI 指纹，不同手机测出来并不一致。
这意味着：
$${\mathbf{r}}^{(A)}(\mathbf{p})\ne {\mathbf{r}}^{(B)}(\mathbf{p})$$
其中：

• $\mathbf{p}$ 表示真实位置；
• ${\mathbf{r}}^{(A)}$、${\mathbf{r}}^{(B)}$ 分别是设备 A 和设备 B 在该位置测到的 RSSI 向量。

这不是“噪声稍微大一点”的问题，而是观测分布本身变了。
DeepBLE 的研究意义就在这里：它把 BLE 定位中的“设备异构性”提升为核心问题，而不是当作附带误差。

根据 CMU 的公开技术报告，DeepBLE 使用 47 个 BLE beacon、15 款不同手机，在单建筑内采集了 15 小时、超过 5 万条 RSSI 测量，并明确指出不同手机型号之间存在很高的 RSSI 变异，尤其品牌之间差异更大 [1]。

---

2. 为什么跨设备泛化会失败

2.1 指纹法默认隐含了“训练分布=测试分布”

传统 RSSI 指纹定位本质是学习：
$$\hat{\mathbf{p}}=f(\mathbf{r})$$
这里训练时的输入分布是：
$$\mathbf{r}\sim P_{\text{train}}(\mathbf{r}\mid \mathbf{p})$$
而部署到另一台设备时，真实输入可能来自：
$$\mathbf{r}\sim P_{\text{test}}(\mathbf{r}\mid \mathbf{p})$$
如果两者不同，那么模型的泛化性能自然会下降。

2.2 设备差异具体体现在哪里

从物理与系统实现上看，差异可能来自：

• 天线位置和方向图；
• 外壳材料与机身布局；
• 射频前端增益控制；
• 操作系统蓝牙栈处理；
• 扫描间隔与数据缺失模式；
• 厂商对 RSSI 的内部映射。

因此，同一真实位置 $\mathbf{p}$，不同设备得到的 RSSI 向量可能整体偏移、缩放、失真，甚至某些 beacon 的排序都会改变。

2.3 这是经典的 domain shift 问题

机器学习语言里，这属于域偏移或分布转移：
$$P_{\text{source}}(\mathbf{r},\mathbf{p})\ne P_{\text{target}}(\mathbf{r},\mathbf{p})$$
如果直接用源域训练的监督模型去预测目标域，很容易性能崩溃。

所以 DeepBLE 的难点不是“怎么拟合位置”，而是：

怎么把不同设备测到的 RSSI 拉到一个可比较、可泛化的表示空间里。

---

3. DeepBLE 的核心思想不是“直接预测位置”

很多人第一次看 DeepBLE，会误以为它只是“把 RSSI 输入一个 RNN，然后输出坐标”。
这并不准确。

DeepBLE 的关键思想可以概括为两层：

1. 先做设备间 RSSI 表示对齐；
2. 再做定位回归/预测。

这也是它与很多普通指纹网络的本质区别。

论文中提出的结构可以理解为两个子问题：

• TransNet：把任意设备的 RSSI 分布转换到参考设备空间；
• LocNet：在参考设备空间做定位。

这个设计非常有研究价值，因为它把“跨设备适配”从定位模块中拆了出来。

---

4. 从数学上看，DeepBLE 在做什么

4.1 传统监督定位

传统做法是直接学习：
$$\hat{\mathbf{p}}=f_{\theta }(\mathbf{r})$$
优化目标通常为位置误差：
$${\mathcal{L}}_{loc}=\Vert \hat{\mathbf{p}}-\mathbf{p}{\Vert }_2^2$$
但这种方法默认不同设备的 $\mathbf{r}$ 可以混着学，或者训练设备与测试设备一致。

4.2 DeepBLE 的两阶段结构

DeepBLE 更接近：
$$\tilde{\mathbf{r}}=T_{\varphi }(\mathbf{r})$$
$$\hat{\mathbf{p}}=L_{\psi }(\tilde{\mathbf{r}})$$
其中：

• $T_{\varphi }$ 是跨设备变换网络；
• $L_{\psi }$ 是定位网络；
• $\tilde{\mathbf{r}}$ 是被映射到参考设备域后的表示。

这意味着它不是直接逼近 $f(\mathbf{r})$，而是在学习：
$$f(\mathbf{r})=L_{\psi }(T_{\varphi }(\mathbf{r}))$$

4.3 为什么这比直接训练更合理

因为问题本身就具有“设备风格偏移”结构。
若目标设备与参考设备之间存在稳定映射关系，那么先对齐域，再预测位置，是更符合问题结构的。

这类似于：

• 图像中的风格迁移前对齐；
• 语音中的说话人归一化；
• 传感器融合中的跨设备校准。

---

5. 论文中的关键创新：Statistic Similarity Loss

5.1 为什么只做位置监督还不够

如果目标域设备没有足够位置标签，那么单纯最小化位置误差不现实。
DeepBLE 引入了一个非常关键的想法：
即便目标设备没有完整标注，也可以要求它的特征统计结构接近参考设备。

5.2 统计相似性的基本直觉

设参考设备在某一位置簇或某一数据批次上的特征统计为：
$${\mu }_s,{\Sigma }_s$$
目标设备经过变换后的特征统计为：
$${\mu }_t,{\Sigma }_t$$
若两者足够接近，则说明映射后的目标域特征在统计上“像参考域”。

于是可构造统计相似性损失：
$${\mathcal{L}}_{ssl}=\Vert {\mu }_t-{\mu }_s{\Vert }^2+\lambda \Vert {\Sigma }_t-{\Sigma }_s{\Vert }_F^2$$
这里用 Frobenius 范数比较协方差矩阵差异。

5.3 这个损失为什么合理

因为设备异构性不仅表现为均值偏移，还可能表现为：

• 不同 beacon 之间相关结构改变；
• 某些通道波动更强；
• 某些设备的采样更稀疏。

只对齐均值是不够的，对齐协方差能进一步约束结构一致性。

5.4 它本质上是一种半监督域适应

DeepBLE 的亮点之一在于：

• 已知设备有监督数据；
• 未知设备可能只有部分无标签或少量标签数据；
• 通过统计相似性损失，把目标设备逐步拉向参考设备的表示空间。

这说明它不是普通监督学习，而是带有半监督/域适应色彩的定位方法。

---

6. 为什么 DeepBLE 选择时序网络

6.1 RSSI 不是独立快照

如果只看单时刻 RSSI，测量噪声很大。
但如果看一个短时间窗口：
$$[{\mathbf{r}}_{t-T+1},\dots ,{\mathbf{r}}_t]$$
其中包含：

• 暂时性的抖动；
• 丢检模式；
• 局部平滑趋势；
• 人移动时的过渡信息。

这些时序结构对定位有用。

6.2 RNN/LSTM 的作用

RNN/LSTM 类网络可以近似学习：
$${\hat{\mathbf{p}}}_t=f({\mathbf{r}}_{t-T+1},\dots ,{\mathbf{r}}_t)$$
相比只用单帧向量，它可以利用时间冗余降低瞬时波动带来的不确定性。

这与经典滤波思想是一致的，只不过 DeepBLE 用的是数据驱动时序表示。

---

7. DeepBLE 的实验结果为什么值得重视

根据公开摘要，DeepBLE 的主要结果包括 [1]：

• 在已知手机上，iPhone XR 可达到平均定位误差 0.84 m；
• 在未知手机上，通过半监督适配，Huawei Mate20 Pro 的平均误差从 2.62 m 降到 1.63 m；
• 对未知设备的误差改善超过 38%。

这些结果重要的地方不只是“数值好”，而是它验证了一个研究结论：

跨设备 RSSI 域适配是可行的，而且比忽略设备差异更有效。

---

8. DeepBLE 的理论意义

8.1 它重新定义了 BLE 定位里的“误差来源”

在很多早期工作里，误差主要被归因于：

• 多径；
• 遮挡；
• RSSI 波动；
• 模型简化。

DeepBLE 则更进一步，把“设备异构性”单独拉出来当作主要问题。

这非常关键，因为它意味着：

• 不是模型不够深；
• 不是数据不够多；
• 而是训练域和部署域根本不是同一个观测系统。

8.2 它把 BLE 指纹问题推进到“域泛化”层面

这使得 BLE 定位研究不再只是：
$$\text{RSSI}\to \text{Position}$$
而变成：
$$\text{Device-dependent RSSI}\to \text{Device-invariant representation}\to \text{Position}$$
这一步提升了问题表述的层次。

---

9. DeepBLE 也不是万能答案

9.1 它仍然依赖数据

虽然有半监督适配，但前提依然是：

• 需要一定规模的多设备数据；
• 需要参考设备域；
• 需要足够稳定的 beacon 部署。

9.2 它未必能完全解决环境迁移

DeepBLE 重点解决的是“跨设备”，不是“跨建筑”或“跨场景”。
若环境改变很大，路径结构和 radiomap 仍会变。

9.3 它的可解释性有限

相比显式路径损耗模型，深度网络内部学到的“设备对齐”机制更难解释。
这在工程部署和调试时会带来一定成本。

---

10. 一张理解 DeepBLE 的结构图

目标设备RSSI序列  ----\
                       \
                        --> TransNet --> 参考设备风格特征 --> LocNet --> 位置
                       /
参考设备RSSI序列  ----/

同时：
TransNet 还要受统计相似性损失约束
使目标设备映射后的特征分布接近参考设备

这张图抓住了 DeepBLE 的本质：

• 它不是简单“加深网络”；
• 而是在网络里显式加入“跨设备对齐”的任务。

---

11. 对后续研究有什么启发

DeepBLE 给后续 BLE/RSSI 研究至少带来三点启发。

11.1 不要把设备差异当噪声

设备差异往往是结构性偏差，不是小扰动。
既然它有结构，就应该显式建模。

11.2 先做表示对齐，再做定位，往往优于直接端到端

这是一个很重要的方法论：

• 先消除域偏移；
• 再做下游任务。

11.3 RSSI 研究不能只谈“定位模型”，还要谈“观测模型”

同样的定位网络，在不同观测域上可能完全不同。
所以 BLE 定位不仅是定位问题，还是传感器域适应问题。

---

12. 本文结论

DeepBLE 的价值，不在于“用了深度学习”，而在于它把 BLE RSSI 定位中的一个长期隐蔽问题挑明了：

不同设备测到的 RSSI 并不处在同一个统计空间里。

从这个角度看，DeepBLE 做的事情可以总结为：

1. 把设备异构性从“附带误差”提升为“核心研究对象”；
2. 用表示变换网络把目标设备数据映射到参考设备域；
3. 用统计相似性损失实现半监督域适应；
4. 在跨设备泛化上获得了比普通监督模型更好的结果。

如果把 RSSI 定位研究看作一条演进链，那么 DeepBLE 代表的是一个重要转折点：

从“拟合位置”走向“先统一观测空间，再拟合位置”。

---

参考文献

1. Harsh Agarwal, DeepBLE: Generalizing RSSI-based Localization Across Different Devices, CMU-RI-TR-20-10, Carnegie Mellon University, 2020.
2. Harsh Agarwal et al., “DeepBLE: Generalizing RSSI-based Localization Across Different Devices,” arXiv:2103.00252, 2021.
3. T. S. Rappaport, Wireless Communications: Principles and Practice, 2nd ed., Prentice Hall, 2002.
4. Batyrbek Zholamanov et al., “RSSI Fingerprint-Based Indoor Localization Solutions Using Machine Learning Algorithms: A Comprehensive Review,” Smart Cities, 2025, 8(5):153.
5. Jun Yan, Zheng Huang, Xiaohuan Wu, “Smartphone-Based Indoor Localization Using Machine Learning and Multisource Information Fusion,” IEEE Transactions on Aerospace and Electronic Systems, vol. 60, no. 3, pp. 2722–2734, 2024.