楼层判定不是一次定位就完就完卡尔曼滤波与多假设跟踪

封面图

楼层判定不是一次定位就完事：卡尔曼滤波与多假设跟踪

很多刚做楼层定位的团队，把"判楼层"想得太简单：测到信号，取个最近的楼层，完事。真上线才发现，人在楼层交界处来回走，定位在两层之间反复横跳；进电梯信号一断，出来直接被丢到隔壁层；系统明明知道他在 3 楼，却因为一次抖动报成 4 楼，围栏和考勤跟着全错。楼层判定本质上不是一次定位，而是一个持续的状态估计问题。这篇文章讲两套工程上真正用得上的工具：卡尔曼滤波和多假设跟踪。

问题定义：为什么"取最近层"会翻车

楼层不是连续的平面，它是带边界的离散状态。人大多数时间在某一层内部活动，只在楼梯和电梯里发生层间转移。一个朴素的"最近层"算法，把每一次带噪声的测量直接映射成楼层，等于假设测量永远准、转移永远瞬时。现实里这两点都不成立。

第一，测量有噪声。气压计有量化噪声和温漂，蓝牙信标有多径衰落，任何单次读数都可能在楼层边界附近给出错误的一侧。直接取最近层，等于把这些噪声原封不动变成楼层跳变。第二，转移有过程。人进电梯，信号会衰减甚至丢失，出电梯时第一帧测量往往不可靠，这时硬判层必错。第三，业务要的是"稳定状态"而非"瞬时猜测"。围栏报警、楼层停留统计都依赖一个平滑、可信的楼层状态，而不是每帧都在抖的猜测值。

所以楼层判定真正要输出的，是一个经过估计、抗噪、并且能和转移过程对齐的楼层状态序列，而不是一串孤立的测量值。

技术原理：把楼层当成一条会动的状态

卡尔曼滤波适合这里，因为它干的就是一件事：用带噪声的测量，估计一个随时间演化的状态。我们把楼层状态建模成两个量——当前楼层（离散或量化后的连续高度）和垂直速度（爬楼/乘梯的速率）。预测步用"上一帧状态 + 速度 × 时间"推出这一帧大概在哪；更新步用新的气压或信标测量去修正这个预测。噪声大的测量，滤波给的权重低；噪声小、且和预测一致，权重高。

类比：楼层状态像你脑子里对"同事在几楼"的判断。他上一秒在 3 楼、没动，你不会因为他工牌信号抖了一下就改口说他在 4 楼；只有当连续几帧都指向 4 楼，你才更新判断。卡尔曼滤波就是把这种"相信趋势、怀疑单次异常"的直觉数学化，输出一个既跟测量走、又不被单次噪声带偏的估计。

多假设跟踪解决的是另一种麻烦：当转移过程本身不确定时，不要急着下结论。人在电梯口犹豫、信号时断时续，系统可能同时面对"他在 3 楼"和"他已到 4 楼"两种都成立的可能。多假设跟踪的做法是，在不确定期间同时维护多条候选状态（每条带自己的概率或得分），等后续测量给出足够证据，再合并或剪枝，只留一条。它避免了"过早锁定错误楼层"导致的硬伤。

原理链路见配图：原始测量 → 卡尔曼预测/更新（平滑楼层状态）→ 多假设分支与剪枝 → 稳定楼层状态输出。

图1：楼层定位状态估计链路。带噪测量先经卡尔曼滤波平滑出楼层状态，转移不确定时由多假设跟踪并行维护候选，证据充分后收敛为稳定楼层状态，供围栏与统计消费。

方案对比：三种楼层判定策略

直接取最近层、卡尔曼平滑、多假设跟踪，是三层递进的判定策略，复杂度和抗错能力同步上升。

表1：三种楼层判定策略对比（均为工程量级描述，具体数值以厂商资料为准）

表里"抗转移中断"一栏，卡尔曼标的是"中"，因为它仍假设存在一个最优状态，遇到长时间信号黑洞仍可能跟丢；多假设跟踪因为保留了候选，恢复信号后能更快回到正确楼层。具体用哪层，看你的场景里电梯和信号盲区多不多。

技术细节：滤波和跟踪真正难的地方

卡尔曼的状态建模要贴合物理，别套教科书模板。楼层场景下，垂直速度不是恒定的，爬楼、乘梯、静止三种模式速度分布完全不同。一个做法是用一个模式变量区分这三种运动，分别对应不同的过程噪声：静止时过程噪声极小（相信他不动），乘梯时较大（相信他在快速移动）。这套"交互式多模型"的思路，比单一恒定速度模型稳得多。模式切换的判定，可以借助 IMU 的加速度特征，具体阈值以厂商资料为准。

多假设跟踪的剪枝策略决定性能和成本的平衡。候选分支不能无限生，否则算力和内存都爆。经验做法是给每条假设一个得分（比如基于测量似然），得分低于阈值的直接剪掉，只保留前几名。还要设置合并条件：当两条假设收敛到同一楼层，合并成一条，避免冗余。分支数量和剪枝阈值，以厂商资料为准，原则是"在转移不确定窗口内留够候选，证据一来立刻收口"。

电梯黑体效应要专门处理。金属轿厢对蓝牙、UWB 都是天然屏蔽，进电梯后测量质量骤降。正确做法是：检测到进入电梯（信号强度陡降 + IMU 出现持续垂直加速度），主动切换到"盲推"模式——用 IMU 积分估算层间位移，同时挂起信标判层，出电梯第一帧不急着判，先用几帧确认。盲目在电梯里硬判，是楼层错层最常见的来源。

楼层边界的迟滞要做。人在两层交界处来回，测量在边界两侧摆动，朴素算法会疯狂跳层。解决是加迟滞：离开当前楼层必须累积足够的"反向证据"才切换，避免一两次边界抖动就改判。这点和卡尔曼的预测-更新天然契合，把过程噪声调好，迟滞自然出来。

输出要给业务一个"可信度"，而不是一个裸楼层。围栏报警、停留统计最好拿到"楼层 + 置信度"，低置信时宁可暂不触发关键动作，等状态收敛。很多误报警，根因就是系统把低置信的瞬时猜测当成了确定事实。

交互式多模型与电梯盲推的实现细节

前面提到用模式变量区分静止、爬楼、乘梯，落地时一般走交互式多模型（IMM）。它给每种运动模式各维护一个卡尔曼滤波器，每个滤波器用自己的过程噪声：静止模式的噪声极小，相信人不动；乘梯模式的噪声大，相信人在快速升降。各滤波器并行跑，再按"谁更贴合最新测量"分配权重，融合出最终状态。人从走到乘梯的瞬间，乘梯滤波器的权重迅速涨上来，楼层估计也跟着平滑过渡，不会硬跳。

电梯盲推是 IMM 里最考验细节的环节。进轿厢后，无线电测量质量骤降，这时让"乘梯模式"滤波器接管，用 IMU 的垂向加速度做二次积分，估算这段时间的层间位移。难点在零偏漂移：IMU 静止时也有微小零偏，积分几十秒就能漂出一层。工程上用进入电梯前的静止段先估计零偏并扣除，再用轿厢启停的加减速特征做边界校正。盲推只给"相对上升了几层"这种粗结果，出电梯后立刻交回信标或气压做绝对校核，二者对齐才确认楼层。具体积分窗口与零偏估计方法以厂商资料为准。

置信度怎么定义，直接决定业务敢不敢采信。一个简单可用的做法是看"主假设得分相对次假设的领先幅度"：领先够大，置信度高；两者咬得很紧，说明还在模糊区，输出低置信标记。围栏报警这类关键动作，最好设一个置信门槛，低于门槛就暂缓触发，等状态收敛。很多误报警，根因就是把低置信的瞬时猜测当成了确定事实。

落地清单：状态估计该调到什么程度

先判断场景里转移有多频繁。纯办公楼层、少电梯，卡尔曼平滑基本够用；电梯密集、信号盲区多、且错层会触发关键报警，才上多假设跟踪。别为技术完整度强行上全套。

再定运动模式与过程噪声。静止、爬楼、乘梯三种模式的过程噪声要拉开档次，噪声调错了，滤波要么过度平滑掉真实转移，要么对噪声过于敏感。参数建议实测标定，不要抄教科书默认值。

然后处理电梯黑体效应。明确"进电梯→切盲推→出电梯→绝对校核"的完整状态机，别在轿厢里硬判层。这是楼层错层最常见的单一来源。

最后给业务留置信度。楼层输出带上可信度，关键动作按置信门槛触发，把"估计"和"猜测"在系统层面区分开。

状态估计这层加得好，无线电可以省一档精度；加得不好，再贵的无线电也救不了反复横跳的楼层。

调试时有个常被忽略的对照实验：拿同一段真实轨迹，分别用"直接取最近层"和"卡尔曼加多假设"跑两遍，统计错层次数。多数项目做完这个对比才发现，朴素算法在电梯和边界处的错层率能比估计方案高一个数量级，而平时两者看起来差不多——问题都藏在转移过程里。这个实验不花成本，却能在选型时给你硬证据，避免凭感觉拍板。把错层率当成楼层判定的一等指标来盯，比盯着静态精度更有意义。

局限与边界

卡尔曼和多假设都不是银弹。第一，它们依赖合理的运动模型和噪声参数，参数没调好，滤波反而会"平滑"掉真实的快速转移，让人乘梯时楼层反应迟钝。第二，多假设跟踪在极端长盲区（比如电梯故障被困半小时）下，候选可能全部失效或全错，这时需要外部手段（如楼层按钮信号、信标兜底）介入。第三，这两套方法处理的是"楼层状态"这一层，水平位置仍由各无线电技术负责，别指望状态估计能补平面定位的短板。

还有一个现实边界：状态估计越精细，调试越费人。小项目上卡尔曼平滑通常够用，多假设跟踪只在电梯密集、信号极差的关键区域才划算。别为了"技术完整"上全套，按痛点选型。

结论

楼层判定不是一次定位，而是一个持续的状态估计。卡尔曼滤波负责把带噪测量平滑成可信的楼层状态，多假设跟踪负责在转移不确定时留住多种可能、避免过早锁错。给工程师一个判断标准：如果你的系统里电梯多、信号盲区多、且错层会触发关键报警，就上多假设跟踪；如果只是普通办公楼层、转移简单，卡尔曼平滑足矣。

一句话收束：楼层定位的精度，不只来自无线电，也来自你把"一次猜测"变成"一个估计"的那套状态逻辑。