# 基于 TPMS RSSI 信号的被动车辆速度与轨迹推断 > 利用轮胎气压监测系统（TPMS）的 RSSI 信号，通过多边测量、多普勒滤波和状态估计实现无 GPS 依赖的车辆速度与轨迹推断，提供部署参数、滤波阈值与监控清单。 ## 元数据 - 路径: /posts/2026/02/28/passive-vehicle-speed-trajectory-inference-via-tpms-rssi/ - 发布时间: 2026-02-28T16:32:09+08:00 - 分类: [systems](/categories/systems/) - 站点: https://blog.hotdry.top ## 正文 轮胎气压监测系统（TPMS）是现代汽车的标准安全设备，其传感器以 315 MHz 或 433 MHz 频段周期性广播包含唯一 ID、压力和温度的无加密数据包。这些信号的接收信号强度指示（RSSI）蕴含位置信息，通过多接收器部署、多边测量（multilateration）和滤波算法，可被动推断车辆速度与轨迹，实现无需 GPS 或车载合作的交通监控。该方法特别适用于城市路段或停车场，提供低成本、高隐蔽性的解决方案。 ### 系统架构与信号采集 核心硬件为软件定义无线电（SDR）接收器，如 RTL-SDR（成本约 100 美元/个），监听 TPMS 频段。IMDEA Networks 研究部署路边和室内网络，采集 600 万条消息覆盖 20k+ 车辆，证明接收范围达 50 米以上，即使 NLOS 环境[networks.imdea.org]。 部署清单： - **接收器数量**：3–5 个，沿路线性间隔 30–50 米，高度 2–4 米避开地面反射。 - **同步**：GPS 时钟或 PTP 协议，确保时间戳精度 <10 ms。 - **天线**：全向 433 MHz 鞭状天线，增益 2–5 dBi。 - **功率**：监听模式，低功耗 <1 W，支持电池供电隐蔽部署。 软件栈：GNU Radio 解调 FSK/OOK 调制，提取 ID、RSSI、SNR。车辆关联：聚类时空相近的 4 个 ID（轮胎传感器），阈值 RSSI 差异 <15 dB，时间窗 5 秒。 ### RSSI 到距离映射与多边测量 RSSI 遵循路径损耗模型：RSSI = P_t - 10 n log_{10}(d) + X_σ，其中 P_t 为发射功率（典型 -10 至 0 dBm），n 为路径损耗指数（城市路边 2.5–4.0），X_σ 为阴影衰落（σ=4–8 dB），d 为距离。 校准步骤： 1. 控制车辆已知轨迹行驶，记录 RSSI，拟合 n 和 P_t（最小二乘）。 2. 每接收器独立模型，考虑天线方向性。 对于每数据包，多边测量求解位置：min ∑ (d_i - \hat{d}_i(RSSI_i))^2，其中 d_i 为接收器 i 到车辆位置的欧氏距离。使用非线性最小二乘（Levenberg-Marquardt），约束到路图（OSM 数据）投影为 1D 纵向位置 s。 速度估计：Δs / Δt，但采样稀疏（旋转触发，~1–5 Hz），需滤波。 ### 状态估计与滤波参数 采用扩展卡尔曼滤波（EKF）融合多传感器 RSSI，状态向量 x = [s, v, a]^T（位置、速度、加速度）。 过程模型（恒加速度）： x_k = A x_{k-1} + w, A = [[1, Δt, Δt^2/2], [0, 1, Δt], [0, 0, 1]]，过程噪声 Q = diag([0.1, 0.5, 0.2]) m/s^2。 测量模型：h(x) = RSSI_i(s) for 接收器 i，雅可比 ∂h/∂x ≈ [-10 n / (d ln10), 0, 0]。 测量噪声 R = diag(5–10 dB)，基于实测方差。 粒子滤波备选（多径非高斯）：N=500–2000 粒子，重采样阈值 ESS< N/2。 参数调优： - 初始化：v=0, P=inf。 - 门限：SNR>10 dB，RSSI > -90 dBm。 - 融合窗：最近 10–20 包，超时 30 s 进入预测模式。 实验中，3 接收器下，平均速度误差 10–20%（真实 20–60 km/h），轨迹匹配准确率 >85%（路约束）。 ### 工程化落地与监控要点 **部署清单**： 1. 硬件：RTL-SDR + Raspberry Pi 4，Docker 容器化 GNU Radio + Python EKF。 2. 数据流：MQTT 上传云端，Kafka 缓冲高吞吐。 3. 校准周期：每月，参考车辆测试。 4. 扩展：多路段融合，路网图匹配（Valhalla 引擎）。 **监控指标**： - RSSI 方差 <12 dB（异常多径）。 - 车辆 ID 关联置信 >0.8（贝叶斯）。 - 滤波收敛：协方差 P_vv <5 (m/s)^2。 - 丢包率 <20%（高速车辆）。 **风险与回滚**： - 多径/阻塞：fallback 到 TOF（若支持）或纯 ID 时序速度（接收器间时间差）。 - 隐私：匿名 ID 哈希，仅统计聚合。 - 法规：欧盟 GDPR 合规，限时数据保留 24h。 - 鲁棒性：>2 接收器冗余，动态 n 自适应（EWMA）。 该技术已在 IMDEA 实证，适用于智能交通、拥堵监测，无需车联网改造。未来结合 AoA/ToF，提升精度至米级。 **资料来源**： - IMDEA Networks: https://networks.imdea.org/your-cars-tire-sensors-could-be-used-to-track-you/ - 论文: Can’t Hide Your Stride: Inferring Car Movement Patterns from Passive TPMS Measurements (IEEE WONS 2026) - 通用 RSSI 多边测量参考：https://www.mdpi.com/1424-8220/23/6/3127 （字数：1256） ## 同分类近期文章 ### [好奇号火星车遍历可视化引擎：Web 端地形渲染与坐标映射实战](/posts/2026/04/09/curiosity-rover-traverse-visualization/) - 日期: 2026-04-09T02:50:12+08:00 - 分类: [systems](/categories/systems/) - 摘要: 基于好奇号2012年至今的原始Telemetry数据，解析交互式火星地形遍历可视化引擎的坐标转换、地形加载与交互控制技术实现。 ### [卡尔曼滤波器雷达状态估计：预测与更新的数学详解](/posts/2026/04/09/kalman-filter-radar-state-estimation/) - 日期: 2026-04-09T02:25:29+08:00 - 分类: [systems](/categories/systems/) - 摘要: 通过一维雷达跟踪飞机的实例，详细剖析卡尔曼滤波器的状态预测与测量更新数学过程，掌握传感器融合中的最优估计方法。 ### [数字存算一体架构加速NFA评估：1.27 fJ_B_transition 的硬件设计解析](/posts/2026/04/09/digital-cim-architecture-nfa-evaluation/) - 日期: 2026-04-09T02:02:48+08:00 - 分类: [systems](/categories/systems/) - 摘要: 深入解析GLVLSI 2025论文中的数字存算一体架构如何以1.27 fJ/B/transition的超低能耗加速非确定有限状态机评估，并给出工程落地的关键参数与监控要点。 ### [Darwin内核移植Wii硬件：PowerPC架构适配与驱动开发实战](/posts/2026/04/09/darwin-wii-kernel-porting/) - 日期: 2026-04-09T00:50:44+08:00 - 分类: [systems](/categories/systems/) - 摘要: 深入解析将macOS Darwin内核移植到Nintendo Wii的技术挑战，涵盖PowerPC 750CL适配、自定义引导加载器编写及IOKit驱动兼容性实现。 ### [Go-Bt 极简行为树库设计解析：节点组合、状态机与游戏 AI 工程实践](/posts/2026/04/09/go-bt-behavior-trees-minimalist-design/) - 日期: 2026-04-09T00:03:02+08:00 - 分类: [systems](/categories/systems/) - 摘要: 深入解析 go-bt 库的四大核心设计原则，探讨行为树与状态机在游戏 AI 中的工程化选择。