Quiero ampliar un poco mi comentario, aunque se ha superpuesto con lo que dijeron Andy y Olin.
El uso de RSSI para la localización (encontrar distancias) puede ser algo impredecible incluso en entornos de laboratorio donde el ruido se ha minimizado. 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 predecible en su entorno. Aquí puedo ofrecer más información sobre diferentes métodos, pero primero debe tomar muestras en varias configuraciones que probablemente ocurrirán con su dispositivo y ver si la medición RSSI relativa 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 declaraciones 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 suponer que la medición de distancia tiene una función de error que es igualmente probable que sea + e como -e que luego "log" tendrá un error sesgado. Por otro lado, sin experimentos y predeterminando la distribución del error, realmente no se sabe qué medida está sesgada y cuál no. Es posible que ambos estén sesgados dependiendo de su aplicación.
Una vez que haya determinado la distribución, terminará con el problema que Andy mencionó. ¿Qué tan computable es esto? En otras palabras, debe tomar la distribución de probabilidad de la señal RSSI o la distancia y luego calcular la distribución de probabilidad de la señal suavizada. Esto variará en gran medida dependiendo de la distribución de probabilidad del error y probablemente determinará dónde tiene más sentido colocar su filtro. Creo que en cualquier situación es probable que necesite un filtro con un muy bajo \ $ \ alpha \ $
** Puede realizar este proceso, ya sea que sus datos sean predecibles o no. El problema es que podría estar interesado en determinar cuándo el objeto se ha movido 1m y obtener resultados como "Estoy 90% seguro de que el objeto se ha movido entre -1m y 4m" o revertir esta pregunta "¿Qué tan seguro estoy de que el objeto se ha movido? 1m? 15%. "