使用 WiFi 訊號來定位，就一定會面對到 RSSI variance 的問題，圖 8 是距離一 個 AP 固定一公尺，蒐集 WiFi 訊號 5 分鐘的記錄圖，橫軸是經過的時間，單位 是秒，縱軸是 RSSI 強度，可以看出同樣固定一公尺所量測到的訊號強度最高 為-33 dBm，最低是-47 dBm，RSSI variance 的波動起伏很大，因此直接使用 RSSI 轉換成距離的方法可能會有問題，因此我們需要多筆 data 才能將 variance 的影 響降低。接下來說明的兩種定位 algorithm，分別用不同方式去降低 RSS variance 的影響。
圖8 RSSI variance
第一節 DuRT 方法
Dual RSSI Trend Based Localization ( DuRT ) [7]這個演算法使用了 RSSI trend 方法避免因為 RSSI variance 而造成誤差，如圖 9 (a) 所示，根據 Shadowing Model 的數學模型，可以得知 RSSI 與飛行行走距離是呈現 log 關係，即算式(9)，
假設訊號發送端不在搜尋路徑的直線上，當我們以直線前進，所記錄到的 RSSI 會越來越強，而經過 closest point 後，記錄的 RSSI 則會越來越弱。因此我們可 以 fit 出兩個 log curve，如圖 9 (b)，使用 log curve 是為了要符合 Shadowing Model，
increasing curve 用來貼近 RSSI 成長的趨勢，decreasing curve 則是用來貼近 RSSI 下降的趨勢，而兩個 curve 所交出來的點，對應到的位置就是 closest point。求出 了 closest point 後可以以 closest point 做垂線，如果我們有兩個直線 path，分別求 出了 closest point 並對這個點做垂線，兩垂線的交點就是訊號發送源。
圖9 (a) DuRT 演算法示意圖 (b) RSSI trend
第二節 Trilateration 方法
三點定位法[4]是利用蒐集到的 RSSI 換算成距離，再由歐幾里得距離公式 (4)(5)(6)，計算出三個圓的交點，交點就是訊號發端的位置。但是這是在理想情 況下的結果，在實際情況有可能因為收到的訊號受到 variance 的影響，導致三個 圓不會交於一點，如圖 10 所示，這時我們就取出與三圓心距離的平方和最小的 點，做為 calculating point 並加上一個範圍，當有多個 calculating point 時，就能 藉由多筆資料降低 variance 的影響，並以出現頻率最高的位置做為最後計算的結 果。
圖10 Trilateration 演算法示意圖
第三節 定位演算法選擇實驗
在上述的兩個演算法當中，都有利用多筆訊號來彌補 RSSI variance 的影響，
為了選擇一個比較好的定位方法，我們利用實驗數據來選擇一個定位效果較佳的 演算法。
實驗的設置與流程:
地點選在台灣師範大學的操場如圖 11 所示，訊號來源手機為 Samsung Galaxy S3，利用 WiFi 802.11n 連線訊號蒐集裝置，如圖 6(a)所示。因為場所 空曠，並且選在無人的時段，故能降低來自其他外在因素的干擾。將手機放 置於操場當作訊號發送源，路徑設置為兩條有交錯的直線，理由是為了配合 DuRT 演算法[7]只能用於直線的限制，接著以我們的訊號搜集裝置，沿著兩 條直線前進，最後將蒐集到的資料分別輸入給兩個演算法，並根據最後的結 果來選擇。移動的速度大約為 1.3 m/sec，Packet rate 是每秒一個。
圖11 實驗路線圖
實驗的結果:
圖 12 是以上一段落提及的設置，重覆 20 次所獲得的資料，分別輸入兩個不 同的演算法所獲得的結果。橫軸是誤差，也就是計算出來的結果與手機真實
位置的距離差，縱軸是累積函數，從圖中可以看到使用三點定位的方法，會 有大概 5 成的誤差在 30 公尺以下，九成的在 40 公尺以下。若是使用 DuRT 的方法，幾乎無法達成 30 公尺以下的誤差，會造成這樣的結果，有可能是 受到 RSSI variance 的影響，有時候沿著直線前進的 RSSI，並無法真實反映 出距離與訊號強度的關係，在距離最近的地方，訊號卻沒有最強，這使得求 出的，兩個 fit curve 交點並不是最接近點，這就是誤差較大的原因。而三 點定位法我們藉由多筆資料來彌補造成的誤差，大約有 90% 誤差在 40 m 以下，比較符合搜救資源的偵測範圍，因此我們以這樣的結果認為三點定位 是比較好的選擇。
圖12 定位實驗結果