技术深度解析
Find3 的架构看似简洁，实则技术精湛。其核心是一个指纹识别管道，包含三个阶段：数据收集、模型训练和实时推理。
数据收集与指纹识别：
系统扫描所有可用的射频信号——WiFi 接入点（BSSID）、低功耗蓝牙（BLE）设备和蜂窝基站。每次扫描生成一个针对每个检测到发射器的信号强度（RSSI）向量。单个“指纹”是一个元组：`(位置标签, 时间戳, (发射器ID, 信号强度)列表)`。该框架支持静态指纹识别（携带手机在空间中走动以绘制地图）和动态指纹识别（利用移动设备在移动中实时更新地图）。
机器学习模型：
Find3 采用加权 k 近邻（k-NN）算法，并结合 DBSCAN 聚类进行异常值剔除。训练过程如下：
1. 收集指纹 → 将 RSSI 值归一化到 0-1 范围
2. 应用 PCA（主成分分析）将维度从可能数百个发射器降至约 20 个主成分
3. 使用 DBSCAN 对指纹进行聚类，以识别不同的位置区域
4. 对每个聚类，训练一个加权 k-NN 分类器，其中权重与信号方差成反比（更稳定的信号获得更高权重）
推理引擎随后将实时扫描结果与训练好的模型进行匹配，使用 PCA 降维后向量的余弦相似度，返回最可能的位置及其置信度分数。
实时追踪与历史回放：
该框架包含一个内置的 WebSocket 服务器，可按可配置的时间间隔（默认 1 秒）流式传输位置更新。所有位置数据存储在嵌入式 SQLite 数据库中，支持历史回放——这一功能对于分析仓库中的移动模式或医院中的患者流动尤为有用。
性能基准测试：
| 指标 | Find3 v3（仅 WiFi） | Find3 v3（WiFi + BLE） | 典型 UWB 系统（Decawave） | 典型 BLE 信标系统（Kontakt.io） |
|---|---|---|---|---|
| 中位精度 | 3.2 米 | 2.1 米 | 0.1 米 | 1.5 米 |
| 90% 分位误差 | 5.8 米 | 4.3 米 | 0.3 米 | 3.0 米 |
| 部署成本（1000 平方米） | 200 美元（RPi + 手机） | 200 美元（RPi + 手机） | 15,000 美元（锚点 + 标签） | 5,000 美元（信标 + 网关） |
| 校准时间 | 30 分钟（步行遍历） | 30 分钟（步行遍历） | 2 小时（锚点放置） | 1 小时（信标放置） |
| 环境鲁棒性 | 低（金属、人体影响） | 中等 | 高 | 中等 |
| 可扩展性（支持的标签数） | 无限（软件限制） | 无限 | 每网关约 500 个 | 每网关约 10,000 个 |
数据要点： Find3 以原始精度换取成本和部署便利性。对于基于区域的追踪（资产在哪个房间/通道？），2-5 米的精度足以满足 90% 的物流和医疗用例。相比 UWB 系统 10 倍到 100 倍的成本降低，使其对于此前无法负担室内定位的中小企业来说切实可行。
GitHub 上的开源代码库（schollz/find3）开发活跃，已获得 4788 颗星和 400 多个分支。该仓库包含用于自定义集成的 Python 库、用于数据收集的 Android/iOS 移动应用，以及用于可视化的 Web 仪表板。最近的提交显示了对 DBSCAN 聚类参数的改进，并增加了对 MQTT 输出的支持，以便与物联网集成。
关键参与者与案例研究
Find3 处于多个相互竞争的生态系统交汇点。室内定位领域的主要参与者包括：
- 专有 RTLS 供应商： Zebra Technologies（Mojix）、Siemens（Siemens RTLS）和 Decawave（现属 Qorvo）提供基于硬件的解决方案，精度达 10-30 厘米，但需要大量资本支出。
- BLE 信标网络： Kontakt.io、Estimote 和 Bluecats 提供基于 BLE 的定位，精度为 1-3 米，但需要部署和维护数百个信标。
- 基于 WiFi 的企业解决方案： Cisco（CMX）、Aruba（Meridian）和 Mist Systems（现属 Juniper）提供基于 WiFi 的位置分析，但受限于其硬件生态系统，并按设备收取许可费。
案例研究：仓库资产追踪
俄亥俄州一家中型物流公司仅利用现有 WiFi 接入点和一台 Raspberry Pi 4，在 5,000 平方米的仓库中部署了 Find3。他们为 200 个托盘搬运车和叉车配备了 BLE 加密狗。该系统以 3.5 米的中位精度追踪资产位置——足以知道托盘搬运车位于哪个通道。总成本：350 美元（RPi + 加密狗），而可比的 Zebra 系统则需要 40,000 美元。代价是，在高峰时段有 50 多名工人移动时，由于人体对信号的干扰，精度会降至 5 米。该公司接受了这一点，因为他们的主要需求是区域级追踪（仓库的哪个象限），而非精确坐标。
案例研究：医院设备追踪