稀疏指纹+路径损耗模型：1/16采集量保住可见光定位精度

简介室内定位技术中指纹库的密集采集往往耗费大量人力与时间但定位精度的提升却并非随采集密度线性增长。可见光定位作为高精度室内定位的重要分支其RSS指纹库常因参考点冗余而效率低下。一种有效的优化思路是利用朗伯信道模型与路径损耗规律对稀疏指纹库进行虚拟补点通过模型预测加残差修正的方式重建高分辨率指纹库。该方法将实际采集量压缩至传统方案的1/16同时通过加权KNN等算法保持甚至提升定位精度尤其适用于边缘区域区分度不足的场景。本文从信道建模、指纹库生成、补点插值到在线定位与误差评估给出完整的工程实现细节为相关论文复现与系统原型开发提供参考。1. 稀疏指纹配路径损耗模型用1/16的采集量保住可见光定位精度的方案可见光室内定位这两年论文发得很多但复现时最先劝退人的不是定位算法而是指纹库采集0.25米步长逐点扫一遍一间10米乘10米的房间要采集一千六百多个参考点真实环境里光是把接收设备挪到位就得耗上大半天。更尴尬的是密集采集完的指纹库里不少区域的RSS区分度其实很低定位精度并没有随采集量线性增长。改进稀疏指纹路径损耗模型实现可见光室内精确定位这个论文复现方向核心就是用朗伯路径损耗模型的物理先验把稀疏指纹库缺失的位置补全让参考点采集量缩到1/16定位误差还能维持甚至优于原始密集方案。这篇笔记适合正在做VLP方向论文复现、毕设系统或室内定位原型的工程师。我会把信道建模、指纹库生成、补点插值、在线定位到误差评估的全套Python代码拆开讲每个参数都能改、能重跑也会把论文里通常不写的几个坑单独拎出来。2. 可见光信道建模与指纹库生成RSS算不准后续全是白搭指纹定位的地基是RSS指纹库指纹库的地基是信道模型。仿真环境里RSS怎么来直接决定后面所有步骤能不能自洽。我复现时用的环境是Anaconda下的Python 3.9依赖只有NumPy、SciPy和Matplotlib编辑器用VSCode或PyCharm都行装好Python解释器就能跑。下面第一步先把光信号在房间里的传播规律用代码固定下来。2.1 朗伯辐射模型的Python实现信道增益与RSS计算可见光信道最常用的模型是朗伯辐射模型把LED看成朗伯光源接收端光电探测器收到的直射光功率由LED辐射角、接收器入射角、传输距离共同决定。由于墙壁反射分量通常比直射弱一个数量级以上这个项目里的路径损耗模型只保留直射链路这也是多数VLP论文的默认设定。朗伯信道直流增益的经典形式是H (m 1) * A / (2 * π * d^2) * cos(φ)^m * cos(ψ)其中m是朗伯阶数由LED半功率角决定A是光电探测器有效面积d是LED到接收器的空间距离φ是辐射角ψ是入射角。写成Python就是下面这个函数import numpy as np def channel_gain(led_pos, rx_pos, phi_half60.0, A1e-4, fov_deg60.0): 单个LED到接收器的朗伯信道直流增益。 参数说明 led_pos : LED三维坐标单位米例如 [2.5, 2.5, 2.5] rx_pos : 接收器三维坐标例如 [x, y, 0.8] phi_half : LED半功率角度默认60度 A : 光电探测器有效面积默认1e-4平方米约1平方厘米 fov_deg : 接收器视场角度入射角超出后增益截断为0 led_dir np.array([0, 0, -1.0]) # LED法线默认垂直向下 rx_dir np.array([0, 0, 1.0]) # 接收器法线默认垂直向上 led_pos np.asarray(led_pos, dtypefloat) rx_pos np.asarray(rx_pos, dtypefloat) # 朗伯阶数与半功率角的关系m-ln2 / ln(cos(phi_half)) m -np.log(2.0) / np.log(np.cos(np.radians(phi_half))) vec rx_pos - led_pos d np.linalg.norm(vec) if d 1e-6: return 0.0 unit vec / d cos_phi np.clip(np.dot(led_dir, unit), 0, 1) # 辐射角余弦 cos_psi np.clip(np.dot(rx_dir, -unit), 0, 1) # 入射角余弦 if cos_psi np.cos(np.radians(fov_deg)): return 0.0 # 超出视场角视为收不到光 H (m 1) * A / (2.0 * np.pi * d**2) * (cos_phi**m) * cos_psi return float(H) def rss_at(led_power, led_pos, rx_pos, noise_sigma0.01): 接收功率 发射功率 * 信道增益并叠加对数正态阴影噪声。 noise_sigma 是噪声标准差对应真实场景中灰尘、遮挡带来的功率抖动。 H channel_gain(led_pos, rx_pos) p_rx led_power * H shadow np.random.lognormal(mean0.0, sigmanoise_sigma) return p_rx * shadow这段代码里最容易被忽略的是朗伯阶数m。很多初学者直接把m设成1但那是半功率角60度时的特例如果LED换成30度光束角m会超过10功率衰减曲线陡得多指纹在近场区域的区分度会明显变强。另一点是FOV截断入射角一旦超过视场角增益直接归零这个分支不能省否则墙角区域的RSS会被算出一个不合理的小正数干扰后续指纹匹配。接收功率计算完成后我建议在指纹匹配阶段统一转成dBm再算距离。原因是线性功率下强信号LED会主导欧氏距离弱信号LED的差异被数值淹没dB域更接近人眼和光电探测器实际感受到的对数衰减特性后面KNN的稳定性会好很多。2.2 仿真房间参数与指纹库生成网格、LED布局和密度选择复现室内定位论文仿真场景建议先参考最常见配置10米乘10米房间层高3米4个LED对称安装在天花板接收器放在0.8米高度的桌面上。这样每个参考点最多能收到4路RSS指纹向量维度是4既不会因为维度太低而区分度不足也不会因为LED太多导致计算量失控。参数取值说明房间尺寸10m x 10m x 3m典型会议室尺度LED数量4对称吸顶安装LED坐标(2.5,2.5) (7.5,2.5) (2.5,7.5) (7.5,7.5)高度2.5mLED发射光功率2W常规照明LED量级接收面高度0.8m桌面高度密集指纹网格0.25m论文基准指纹库稀疏指纹网格1m改进方案采集量只有密集的1/16网格生成有个工程细节给墙面留半个步长的边距不要让参考点紧贴墙壁。否则FOV截断会让墙角的RSS向量大面积变成0这类点出现在指纹库里会让KNN在在线阶段把墙角区域当成一个黑洞定位结果容易蹦出房间边界。def make_grid(xmin, xmax, ymin, ymax, step): 生成二维参考点网格每个点距离墙角半个步长。 xs np.arange(xmin step / 2, xmax, step) ys np.arange(ymin step / 2, ymax, step) return np.array([[x, y] for x in xs for y in ys]) LEDS np.array([ [2.5, 2.5, 2.5], [7.5, 2.5, 2.5], [2.5, 7.5, 2.5], [7.5, 7.5, 2.5], ]) RX_HEIGHT 0.8 dense_grid make_grid(0, 10, 0, 10, 0.25) # 约1600个参考点 sparse_grid make_grid(0, 10, 0, 10, 1.0) # 约100个参考点 def build_fingerprints(grid, led_power2.0, noise_sigma0.01): 在给定网格上逐点计算RSS生成指纹库。 返回值是字典{(x, y): 4维RSS向量}。 key用round取三位小数避免浮点比较导致查表失败。 fp {} for (x, y) in grid: rx_pos np.array([x, y, RX_HEIGHT]) rss_vec np.array([ rss_at(led_power, led, rx_pos, noise_sigma) for led in LEDS ]) fp[(round(x, 3), round(y, 3))] rss_vec return fp dense_fp build_fingerprints(dense_grid) sparse_fp build_fingerprints(sparse_grid, noise_sigma0.01)注意生成稀疏指纹库时要在稀疏网格上重新计算RSS而不是从密集指纹库里隔几个删一个。两者的差别在于噪声真实施工时你就是带着接收器去稀疏点位测一遍每个点都是一次独立测量邻近点之间的噪声互不相关而如果你在密集库上抽稀等于复用了同一份噪声会让后面补点实验产生虚高的精度假象。这是我在复现类似论文时最容易踩的一个数据生成陷阱。2.3 稀疏采样的代价区分度与网格间距的量化关系指纹定位能工作的前提是位置变了RSS向量变化足够明显。但可见光RSS随水平距离的变化不是线性的靠近LED正下方时功率变化剧烈远离LED时曲线变平。指纹网格从0.25米加粗到1米等于在功率变化平缓的区域也砍掉了参考点这些地方指纹匹配基本靠猜。可以跑一段小实验量化这个现象让接收器沿水平方向远离某个LED打印每增加一段距离后RSS的下坠幅度。def rss_drop_per_step(led_pos, step0.25, steps12): 统计远离LED时每走一步RSS下降多少dBm判断网格间距对区分度的影响。 base_rx np.array([led_pos[0], led_pos[1], RX_HEIGHT]) prev_db None for i in range(1, steps 1): rx base_rx np.array([i * step, 0, 0]) p 2.0 * channel_gain(led_pos, rx) db 10 * np.log10(p * 1e3) if prev_db is not None: print(f距离增加{step:.2f}mRSS变化 {db - prev_db:.2f} dBm) prev_db db通常你会看到LED正下方往外第一个0.25米步长RSS可能掉4到6个dBm走到3米开外每0.25米的衰减掉到0.5dBm以内。这意味着稀疏网格不是均匀地损失定位精度而是在房间边缘和四个角落系统性变差。理解了这一点后面用路径损耗模型补点时你自然会把注意力放在填补这些低区分度区域上而不是平均用力。3. 改进算法第一环路径损耗模型补点与虚拟指纹重建上一章的实验已经说明稀疏指纹库的问题不是点少了而是在RSS变化平缓的区域没有足够多的参考点来区分相邻位置。最直接的解决办法不是加密采集而是用路径损耗模型把这些缺失点的RSS预测出来。但这里有个陷阱纯理论公式算出来的RSS和真实测量值存在系统偏差直接拿公式结果当虚拟指纹必然引入误差。所以改进方案要做的是模型预测加残差修正两步走。3.1 模型预测加残差修正为什么纯公式插值不够路径损耗模型是理想化的它只考虑直射光默认所有LED功率一致、法线方向完全垂直、探测器响应均匀。真实的指纹库里包含了反射分量、LED个体差异、探测器增益不平坦等模型之外的信息。如果你在稀疏点上实测得到的RSS都普遍比模型预测高1.2dBm那么纯公式插值的虚拟点也会整体偏低1.2dBm在线定位时所有补出来的点都会产生系统性偏移。残差修正的思路是对每个稀疏指纹点先算一个模型预测值和实测值的差这个差就是当前局部区域模型没建准的部分。虚拟点的RSS等于它在模型里的理论预测值加上邻近稀疏点残差的加权平均。这样做的本质是把模型当成平滑先验把稀疏指纹库当成校准锚点让虚拟点既服从物理规律又不脱离现场数据。def predict_rss_by_model(led_pos_list, rx_pos, led_power2.0): 只用朗伯模型预测RSS不依赖任何指纹数据。 return np.array([ led_power * channel_gain(led, rx_pos) for led in led_pos_list ]) def residual_interpolate(virtual_pos, sparse_fp, k4, sigma2.0, led_power2.0): 对稀疏指纹库中的缺失点做补全。 virtual_pos : 待补全的二维坐标 [x, y] sparse_fp : 稀疏指纹库字典 {(x, y): RSS向量} k : 参与残差修正的邻近稀疏点个数 sigma : 距离反比加权的指数工程上常取2 vp np.asarray(virtual_pos, dtypefloat) rx_virtual np.array([vp[0], vp[1], RX_HEIGHT]) # 1. 找到离虚拟点最近的k个稀疏指纹点 items [ (np.linalg.norm(np.array(p) - vp), p, rss) for p, rss in sparse_fp.items() ] items.sort(keylambda t: t[0]) nearest items[:k] # 2. 虚拟点的模型预测值 pred_virtual predict_rss_by_model(LEDS, rx_virtual, led_power) # 3. 对每个稀疏点计算“实测RSS - 模型预测RSS”残差 residuals [] weights [] for dist_all, p, rss_actual in nearest: rx_sparse np.array([p[0], p[1], RX_HEIGHT]) pred_sparse predict_rss_by_model(LEDS, rx_sparse, led_power) residuals.append(rss_actual - pred_sparse) weights.append(1.0 / (dist_all**sigma 1e-6)) weights np.array(weights) residuals np.array(residuals) # 4. 加权残差修正模型预测 resid_weighted np.average(residuals, axis0, weightsweights) return pred_virtual resid_weighted代码第3步是关键每个稀疏点的残差是一个4维向量对应4个LED各自实测相对模型的偏差。加权平均时用距离反平方权重意味着只有紧邻的稀疏点能显著影响虚拟点远处点的残差几乎不参与避免把整个房间的偏差抹成一个常数。sigma取2是基于光强随距离平方衰减的直觉与朗伯模型的距离项同阶如果效果不理想建议在1到4之间调不要一上来就动k。3.2 补点参数怎么定k、sigma和噪声水平的联动关系k和sigma不是孤立的。k取太大比如8或10虚拟点会被半米外的稀疏点拖累残差被摊平k取太小比如只有1虚拟点完全跟随最近邻的残差模型预测等于没起作用补出来的指纹在空间上不连续。我一般先固定sigma2把k从2到6扫一遍用后面定位评估的RMSE选最优。选完之后再动sigma优先试4这个值它会让权重衰减更陡适合LED数量少、指纹区分度低的场景。噪声水平同样影响补点效果。指纹库和测试集里的噪声标准差如果超过0.05残差向量本身就会自带明显抖动补出来的虚拟点会继承这部分噪声。因此仿真时建库噪声和在线测试噪声要保持一致否则改进算法可能因为吃到了更干净的训练数据而虚高——这类问题在论文复现里尤其隐蔽。3.3 重建指纹库的完整流程与质量自查补点的流程最后要落成一个完整的重建函数目标网格上有稀疏实测点就直接用实测值没有的点才走残差插值。实测值绝不覆盖这是底线。def rebuild_dense_fp(sparse_fp, target_grid, **kwargs): 用稀疏指纹库重建密集指纹库。 dense_fp {} for (x, y) in target_grid: key (round(x, 3), round(y, 3)) if key in sparse_fp: dense_fp[key] sparse_fp[key] else: rss residual_interpolate(np.array([x, y]), sparse_fp, **kwargs) dense_fp[key] rss return dense_fp # 质量自查随机抽10个补出来的点对比模型预测、补点结果和最近稀疏点实测 rebuilt_fp rebuild_dense_fp(sparse_fp, dense_grid) sample_keys [k for k in rebuilt_fp if k not in sparse_fp][:10] for key in sample_keys: rss_model predict_rss_by_model(LEDS, np.array([key[0], key[1], RX_HEIGHT])) rss_final rebuilt_fp[key] diff rss_final - rss_model print(f补点{key}模型偏差 {np.round(diff, 4)})自查时主要看两个信号。第一补点的残差应该和附近稀疏点的残差方向一致比如墙角区域全部偏正说明模型确实低估了反射贡献修正逻辑正常。第二补点的RSS在相邻点之间应该是平滑过渡的如果出现跳变多半是k太小或sigma太大需要回到上一节重新调参。这一步做好了重建指纹库才算能进在线定位阶段。4. 在线定位与精度评估从RSS到坐标的关键一步指纹库重建完改进方案的数据准备就结束了。在线阶段的输入是一个4维RSS向量输出是估计的二维坐标。这里我的首选是加权KNN因为它的计算开销小、对指纹分布不敏感同时能自然融入路径损耗模型的距离加权思想。这个选择在工程上足够稳健也比三边定位法少踩很多这组RSS反解不出距离的坑。4.1 加权KNN定位的Python实现与参数选择加权KNN的匹配逻辑分三步把在线RSS转成dBm计算与指纹库里每个向量的欧氏距离取距离最小的k个位置做反距离加权平均。def to_dbm(power): 线性功率转dBm加一个极小值避免log0。 return 10 * np.log10(power 1e-12) 30 def online_localize(rss_online, fp_db, k5, sigma2.0): 加权KNN定位主函数。 rss_online : 在线实测4维RSS向量线性功率 fp_db : 重建后的密集指纹库 k : 最近邻个数 sigma : 反距离权重指数 rss_online_db to_dbm(rss_online) candidates [] for pos, fp_rss in fp_db.items(): fp_rss_db to_dbm(fp_rss) dist np.linalg.norm(rss_online_db - fp_rss_db) candidates.append((dist, np.array(pos, dtypefloat))) candidates.sort(keylambda t: t[0]) knn candidates[:k] # 反距离加权指纹向量越接近的位置权重越大 weights np.array([1.0 / (d**sigma 1e-6) for d, _ in knn]) positions np.array([pos for _, pos in knn]) return np.average(positions, axis0, weightsweights)权重指数的含义要理解透sigma2时距离差3倍的指纹点权重差9倍基本只有最近的点在起作用sigma降到1远点的参与度大幅上升定位结果会更平滑但也更容易被异常点拉偏。k的选择建议跟sigma一起做网格搜索不要凭感觉定。我复现时常用的搜索范围是k取3到7、sigma取1或2配合交叉验证选组合比单独调整任一参数的效果好得多。4.2 RMSE与CDF评估脚本和测试集生成评估的常见做法是单独生成一批测试点而不是把指纹库里的参考点回代。我在仿真里随机撒200个测试点每个点独立走一遍信道模型加噪声模拟系统没见过的位置。def generate_test_set(n200, seed42): 生成测试点坐标和对应RSS。 rng np.random.default_rng(seed) pts rng.uniform(0, 10, size(n, 2)) test_rss [] for x, y in pts: rx np.array([x, y, RX_HEIGHT]) vec np.array([rss_at(2.0, led, rx, noise_sigma0.01) for led in LEDS]) test_rss.append(vec) return pts, np.array(test_rss) def evaluate_localization(test_points, test_rss, fp_db, k5, sigma2.0): errors [] for true_xy, rss in zip(test_points, test_rss): est_xy online_localize(rss, fp_db, kk, sigmasigma) errors.append(np.linalg.norm(est_xy - true_xy)) errors np.array(errors) rmse np.sqrt(np.mean(errors**2)) cdf_x np.sort(errors) cdf_y np.arange(1, len(cdf_x) 1) / len(cdf_x) return rmse, cdf_x, cdf_y test_points, test_rss generate_test_set() rmse, cdf_x, cdf_y evaluate_localization( test_points, test_rss, rebuilt_fp, k5, sigma2.0) print(fRMSE: {rmse * 100:.2f} cm)RMSE把大误差点通过平方放大适合衡量系统整体稳定性CDF能更直观地看出百分之多少的测试点误差在x厘米以内。论文里通常两个都报因为RMSE相同的两套系统可能一个误差分布均匀另一个大部分点很好但少量点差到离谱CDF正好能区分这两种情况。4.3 改进前后数据怎么对比别被0.1米差距误导评估时不要只跑一组一定要做三个对照稀疏指纹直接定位、不补点但用加权KNN定位、补点后重建指纹库定位。我在默认参数下跑出来的代表性结果大致是稀疏1米网格直接定位RMSE在9到10厘米加上加权KNN能降到8厘米左右再做模型补点重建可以压到5到6厘米。需要强调的是这个数值会随房间尺寸、LED布局、噪声强度明显变动不要拿我的数去对标论文要看相对趋势。方案指纹库来源RMSE 参考范围密集指纹基线0.25米实测4~5 cm稀疏指纹直接定位1米实测9~10 cm稀疏 加权KNN1米实测7~8 cm稀疏 模型补点 加权KNN1米实测 虚拟补点5~6 cm对比结果里最值得关注的是如果补点后的RMSE只是比稀疏基线好一点点甚至没变化大概率是残差修正没起到作用回头检查k和sigma而不是怀疑算法本身。另一个常见误导是只看RMSE不看CDF——改进算法通常会明显压缩尾部大误差点CDF曲线尾部收得快比RMSE的零点几米提升更能说明问题。我复现时习惯把四条CDF曲线画在同一张图里一眼就能看出每条曲线的腰在哪个误差区间这比读表格数字可靠得多。5. 论文复现避坑清单5个让定位结果翻车的细节这部分是血泪经验。下面五个问题我几乎每版复现都会遇到至少一个每个都按现象 - 原因 - 解决写清楚方便你排查时直接抄作业。5.1 坐标不齐LED在天花板指纹库却当成z0现象定位误差整体偏大而且呈现规律性偏移比如靠近某一面墙的所有测试点估计位置都往房间中心方向偏。原因LED坐标用了三维比如[2.5, 2.5, 2.5]但接收点坐标写成了[x, y]传进channel_gain后NumPy广播把z轴当成0实际距离算短了一截RSS普遍偏大。这时候所有指纹的残差都会带上一个正偏差补点修正也只能修正一部分。解决全部统一使用三维坐标接收点高度单独定义成常量。建议在代码顶部写RX_HEIGHT 0.8让build_fingerprints、residual_interpolate、generate_test_set三处都引用同一个常量不要出现三处三个值。排查时先打印一组LED到接收点的真实空间距离和手算值对比能快速确认坐标体系。5.2 FOV截断后的全零RSS向量角落测试点直接崩现象房间角落的测试点定位结果像脱缰野马甚至跑到房间外面去查看KNN的距离列表发现它和所有指纹点的距离都异常大。原因角落位置的LED入射角超过视场角channel_gain返回0RSS向量里多个分量是0。转dBm时0变成-120dBm左右的极小值但这类全零向量本身没有区分度它的欧氏距离只由噪声决定任意指纹点都能匹配上。解决建库阶段保留0值但转dBm前不要直接加一个固定的小数而是在计算欧氏距离时对两边都是0的分量直接跳过。更省事的做法是在在线阶段检查rss_online如果有两个以上的分量接近0放弃指纹匹配改用路径损耗模型在测试点周围做局部搜索也就是拿模型预测RSS反查位置。这个分支在论文里几乎不写但真实环境的墙角一定存在。5.3 残差补点补成均值改进了个寂寞现象补出来的虚拟指纹和纯模型预测几乎没有差别改进方案跑出来的RMSE和直接用稀疏指纹变权重差不多。原因最常见的是残差修正里的k太大虚拟点引入了一堆远处稀疏点的残差彼此抵消后残差趋近于0。另一个可能是sigma设成了0距离反比权重退化成算术平均残差确实被平均了模型预测自然重新占据主导。解决把k控制在4以内让最近两三个点真正主导残差。排查时在residual_interpolate里临时打印最近邻距离列表如果发现最近邻都在1米开外说明稀疏网格本身太稀虚拟点没有可靠的校准锚点要么加密稀疏网格到0.5米要么放弃补点改走纯模型预测。这个判断要果断不要硬调参数。5.4 朗伯阶数m瞎填衰减曲线完全对不上现象RSS随距离衰减明显失真要么近场掉电太快LED正下方0.3米处功率就低到离谱要么远场衰减太慢靠近墙角还能收到和中间区域差不多的信号指纹在远端失去区分度。原因m被手写成一个固定值没有和LED半功率角关联。m1只对应半功率角60度的LED如果你换成30度光束角的LEDm应接近11衰减曲线完全不同。解决统一用m -np.log(2.0) / np.log(np.cos(np.radians(phi_half)))计算不要在代码里手写m1或m2。改LED型号时只改phi_halfm自动跟着变。复现论文时如果发现最基本的RSS距离曲线都对不上优先怀疑这里而不是怀疑算法。5.5 K值扫不稳定不是玄学是参数耦合现象同一个指纹库k3跑出5厘米k5却涨到8厘米换一个噪声种子最优k又变了结果看起来没有复现性。原因k、sigma、指纹库密度三者强耦合。在稀疏区域参考点本来就少k一旦超过某个区域的有效指纹数量远距离参考点会被强行拉进KNN加权后反而把预测朝错误方向拖。这不是算法不稳定是你没有做联合参数选择。解决把k从3到7、sigma从1到2做一次网格搜索每组参数跑同一个测试集画RMSE热力图选最低点。固定测试集随机种子保证跨组对比公平。论文里若没给出k这个网格搜索结果就是你复现时最稳妥的补全方式也能在文档中说明你的参数选择不是拍脑袋。6. 结果可视化进阶误差热力图与CDF曲线的出图细节评估做完论文里那两张图怎么画得清楚也有讲究。误差热力图和CDF曲线是VLP论文里出现频率最高的两张图同时也是审稿人判断工作是否扎实的第一印象。先画CDF。画之前建议把误差单位从米换成厘米横轴范围固定到0到20厘米否则个别离群点会把横轴拉得很宽曲线整体被压平看不出分布特征。import matplotlib.pyplot as plt # errors来自evaluate_localization的返回值 cdf_x np.sort(errors) * 100 # 米转厘米 cdf_y np.arange(1, len(cdf_x) 1) / len(cdf_x) plt.figure(figsize(6, 4)) plt.plot(cdf_x, cdf_y, linewidth2) plt.xlabel(Localization error (cm)) plt.ylabel(CDF) plt.grid(True, linestyle--, alpha0.5) plt.xlim(0, 20) plt.show()误差热力图更值得下功夫。先把所有测试点的横纵坐标和误差整理成三个数组然后用contourf或者pcolormesh把误差落在房间平面上。我习惯用viridis色标误差单位也用厘米。画完热力图之后把稀疏指纹的原始点位用黑色小散点叠加在同一张图上误差尖峰是否正好落在指纹空洞区域一眼就能分辨。这类项目做多了我养成的习惯是每一步都固定一个随机种子先跑基线再做改进所有对比图共享同一个坐标系。这个看起来不起眼的习惯能帮你省掉大量为什么这次比上次差的争论。光谱对比图里两条曲线明确的差距比任何描述都有说服力。希望这套从信道建模到可视化评估的流程能帮你在可见光定位复现路上少走几个弯路。本文还有配套的精品资源点击获取