【硬核技术】揭秘高精度2D定位新范式：PGDB-HML-FC 模型的原理与实现

在复杂的无线环境中，如何实现厘米级的高精度室内定位？这一直是学术界和工业界面临的难题。传统的 GPS 在室内失效，而基于 Wi-Fi 或蓝牙的指纹定位往往受环境变化影响较大。

今天，我们将深入剖析一种名为 PGDB-HML-FC（Phase-Geometry Distance-Branch Hybrid Machine Learning with Feedback Correction，相位 - 几何距离分支混合机器学习带反馈修正）的新型定位模型。该模型巧妙融合了信号相位几何与距离衰减特征，并通过反馈循环机制，实现了惊人的定位精度。

一、物理基石：从 IQ 数据到位置坐标

一切定位的源头，都来自于接收机（RX）收到的原始 IQ（In-phase/Quadrature）信号。

1. 信号基础

原始信号 $x$ 是一个复数，由同相分量 $I$ 和正交分量 $Q$ 组成：
$x=I+jQ$

2. 关键特征提取

为了定位，我们需要从 IQ 信号中提取两个核心物理量：
RSSI（接收信号强度指示）：用于估算距离。
$RSSI=10{\log }_{10}(\text{mean}(|x{|}^2))$

相位差 ($\Delta \varphi$)：用于估算角度。通过计算两根天线接收信号的相位差来实现：
$\Delta \varphi =\text{angle}(x_2\cdot \text{conj}(x_1))$

3. 几何解算

基于相位差，我们可以计算到达角：
$\theta =\arcsin \left(\frac{\Delta \varphi \lambda }{2\pi d}\right)$
其中 $\lambda$ 是波长，$d$ 是天线间距。

最终，结合距离 $R$ 和角度 $\theta$，我们可以通过极坐标转换得到目标的 2D 位置 $(x,y)$：
$x=R\sin (\theta )$
$y=R\cos (\theta )$

二、核心方法论：PGDB-HML-FC 架构

我们的模型不仅仅依赖简单的物理公式，而是构建了一个端到端的机器学习流水线。其核心创新在于双分支建模与反馈修正。

1. 数据预处理与特征工程

实验数据有着严格的层级结构：
频率 → 距离 → 天线对 → 角度 → 文件

原始 IQ 数据流经以下步骤被清洗和提炼：

• 元数据生成：建立数据索引。

• 预处理与加窗：对 TX（发射端）和 RX（接收端）IQ 数据进行清洗和分段。

• TX-RX 校准：消除硬件引入的相位偏差。

• 多对特征提取：系统不仅仅依赖一对天线，而是提取了 四对（Pairs (1,4), (2,3), (1,3), (2,4)）RX 天线的 AoA、RSSI 及 SCM（Spatial Covariance Matrix）特征。

• 特征融合：将四对天线的特征合并，构建高维特征空间。

2. 双分支建模策略

模型并没有直接回归 $(x,y)$ 坐标，而是将问题解耦为两个子问题，分别由专门的模型处理：

• AoA 分支：使用 Extra Trees（极端随机树）模型，专注于学习相位与角度之间的非线性映射。

• 距离分支：使用 XGBoost 模型，专注于学习 RSSI 与距离之间的复杂关系。

3. 混合定位与反馈修正

这是 PGDB-HML-FC 的灵魂所在。系统将 AoA 分支预测的角度与距离分支预测的距离结合，进行初步的 2D 定位。随后，引入反馈校正循环，利用预测结果反向修正特征，最终输出高精度的发射机位置。

三、工程实现：全流程自动化

为了验证这一复杂理论，我们编写了完整的 Python 流水线脚本 run\_full\_pipeline\.py，实现了从原始数据到结果分析的 “一键式” 运行。

整个流程包含 20+ 个关键步骤，主要分为四个阶段：

数据准备阶段

• 检查 IQ 文件完整性

• 生成元数据、预处理 IQ 数据

• 窗口化处理与 TX-RX 校准

特征工程阶段

• 并行提取 4 对天线对的特征（Pair 14, 23, 13, 24）

• 合并所有特征并划分训练集 / 验证集 / 测试集

模型训练阶段

• 训练核心组件：Extra Trees (AoA)、XGBoost (Distance)

• 训练主模型：Proposed PGDB-HML-FC

• 训练基线对比模型：Random Forest、MLP、Direct XY Regression 等，以证明新模型的优越性

评估与可视化阶段

• 分别评估角度误差、距离误差和最终的 XY 定位误差

• 生成结果对比表格和可视化图表

四、实验设置与数据

为了确保实验的严谨性，我们构建了标准化的数据集结构：

• 频率：850MHz

• 带宽：1M

文件示例：

TX: data/raw_iq/tx/850MHz/1M/(1,3)/-60/tx_ref.csv
RX: data/raw_iq/rx/850MHz/1M/(1,3)/-60/rep01.csv

这种精细的文件夹管理确保了不同频率、距离和角度下的实验数据可追溯、可复现。

五、总结

PGDB-HML-FC 模型通过以下策略实现了性能的突破：

1. 多天线融合：利用 4 对天线特征，极大地丰富了空间信息。

2. 任务解耦：将角度和距离分开建模，选用最适合的算法，避开了单一模型难以兼顾不同物理特性的弊端。

3. 反馈机制：闭环优化，进一步减少误差。

未来的无线定位系统，将不再仅仅依赖于传统的三角测量，而是向着物理感知 + 数据驱动的混合智能方向演进。PGDB-HML-FC 正是这一趋势的典型代表。

想获取更多关于代码实现细节或模型对比结果的朋友，欢迎在评论区留言！