室内楼层判定只靠单次 WiFi、蓝牙或者气压计采样很容易出现跳层、误判，想要稳定识别楼层，需要连续跟踪状态，卡尔曼滤波用来平滑高度、传感器噪声，多假设跟踪 MHT 用来同时保留多个候选楼层假设，等后续新观测到来之后再筛选最优结果，这套组合方案适合手机室内定位、机器人跨楼层导航、应急定位等场景，解决气压漂移、RSSI 信号抖动、电梯 / 楼梯切换时的瞬时误判问题。很多入门方案拿到一次气压值或者一组 WiFi 指纹直接输出楼层号，忽略了气压会受天气、空调、通风影响，WiFi 信号在井道、大堂里跨楼层串扰，单次测量的噪声很容易直接把楼层算错；卡尔曼滤波做时序上的状态估计，把 IMU、气压、BLE、WiFi 这些观测融合，持续预测高度；多假设跟踪则不急于立刻拍板是哪一层，并行维护多个候选假设，给每个假设算概率，新数据进来之后更新概率、淘汰低概率分支，等轨迹收敛再输出最终楼层。落地的时候可以按这个思路：先建立高度状态模型，用卡尔曼滤波做时序融合降噪，再搭建多假设跟踪分支，定义楼层跳转约束，持续更新假设权重，最后做假设剪枝、输出稳定楼层。
卡尔曼滤波与多假设跟踪在楼层定位里分工对比表
| 模块 | 核心作用 | 处理对象 | 解决痛点 |
|---|---|---|---|
| 卡尔曼滤波（KF/EKF） | 时序状态最优估计，平滑高度 | 气压计、IMU、UWB 高度观测 | 气压噪声、高度短时间抖动、传感器随机误差 |
| 多假设跟踪 MHT | 多候选假设并行跟踪、概率维护 | 候选楼层、候选高度轨迹 | 瞬时坏观测、信号模糊区、电梯刚启动时无法确定向上还是向下 |
| 楼层约束模型 | 规则约束 | 楼层层高、楼梯 / 电梯跳转逻辑 | 物理上不可能的楼层跳跃，比如从 3 层直接跳到 10 层 |
卡尔曼滤波在楼层判定里的工作流程清单
- 状态定义：状态向量包含高度、垂直速度、气压漂移偏差，把高度当成连续变化量，而不是离散楼层编号
- 预测步：用上一时刻状态，结合 IMU 垂直运动，预测当前高度和协方差
- 观测更新：传入气压换算高度、UWB 高度、WiFi 指纹匹配结果，修正预测值
- 噪声自适应：区分静态、走路、电梯运动状态，动态调整过程噪声 Q 和观测噪声 R
- 输出平滑后的高度序列，再映射到候选楼层集合，而不是直接输出楼层
如果是非线性的气压漂移、IMU 姿态问题，一般改用扩展卡尔曼 EKF 或者无迹卡尔曼 UKF
多假设跟踪 MHT 楼层跟踪核心逻辑
- 假设生成：每一轮观测到来，生成一组候选假设，比如 “当前在 5 层”、“当前在 6 层”，同时记录轨迹历史
- 假设概率更新：用卡尔曼滤波输出的高度残差，计算每个假设和观测的匹配概率
- 假设管理：新增分支、合并重复分支、剪掉概率过低的假设（剪枝），控制算力开销
- 假设输出：当某一个假设的概率显著高于其他候选，才锁定楼层；仍然模糊时继续保留多假设，不强行输出结果
- 运动约束：加入楼层跳转规则，一次只能 ±1 层或者电梯连续多层，剔除不符合物理规则的假设
完整楼层判定链路
传感器采集（气压、IMU、BLE/WiFi RSSI）→卡尔曼滤波融合得到平滑高度→生成多楼层候选假设（MHT 初始化）→新观测持续更新每个假设概率→剪枝低概率分支→概率收敛后输出稳定楼层→上层业务使用楼层结果
典型坑点与优化方向
- 气压长期漂移：卡尔曼只能平滑短时噪声，需要基准气压站、长期零速校正来抑制慢漂移
- MHT 算力爆炸：假设不能无限开，必须设置概率阈值、最大假设数量，移动端要做轻量化
- 电梯静止阶段：气压变化很小，WiFi 串扰严重，MHT 会维持多假设，避免直接跳层
- 大堂、中空天井：WiFi 指纹跨楼层混叠，不要单靠指纹，优先依赖高度时序跟踪
整体来看，卡尔曼滤波负责 “把高度算稳”，多假设跟踪负责 “不确定的时候不硬判”，两者配合才是连续楼层跟踪的标准方案，而不是一次采样直接给出楼层号。
【相关 FAQ】
问题 1：楼层判定不是一次定位就完事，卡尔曼滤波在楼层定位里做什么？
回答 1：楼层判定不是一次定位就完事，卡尔曼滤波主要对气压、IMU、UWB 高度观测做时序融合，平滑高度噪声，输出连续稳定的高度估计，为多假设跟踪提供状态输入，避免单次气压波动直接造成楼层误判。
问题 2：楼层判定不是一次定位就完事，多假设跟踪 MHT 和卡尔曼滤波有什么区别？
回答 2：楼层判定不是一次定位就完事，卡尔曼滤波输出单一最优高度状态，多假设跟踪 MHT 同时维护多个候选楼层假设、跟踪不同可能性，在信号模糊、电梯刚启动等不确定场景下不急于锁定楼层，等后续观测再收敛。
问题 3：楼层判定不是一次定位就完事，只用卡尔曼滤波能不能做好楼层识别？
回答 3：楼层判定不是一次定位就完事，只靠卡尔曼滤波不够，当观测信息模糊、多个楼层高度都在误差范围内时，卡尔曼会强行输出单一结果，容易跳层，搭配 MHT 多假设跟踪可以显著提升鲁棒性。
问题 4：楼层判定不是一次定位就完事，MHT 多假设跟踪会不会算力很高？
回答 4：楼层判定不是一次定位就完事，MHT 多假设跟踪如果不做剪枝会出现假设爆炸，工程上会设置最大假设数、概率阈值，合并重复轨迹，手机端、嵌入式设备都可以轻量化落地。
【参考资料】
[2026-05-20]（基于扩展卡尔曼滤波与 MHT 的多楼层行人跟踪）IEEE Xplore
[2025-12-11]（气压 + IMU 融合楼层识别：卡尔曼滤波抑制气压漂移）武汉大学学报 (信息科学版)
[2025-09-03]（Multi Hypothesis Kalman Filter 室内拓扑定位与楼层跟踪）传感器学报
[2025-07-15]（复杂室内环境楼层定位算法综述：WiFi、气压、惯性融合）PMC
【免责声明】
本文内容基于室内定位学术论文、传感器融合公开技术方案整理，卡尔曼滤波、多假设跟踪的实际效果和传感器精度、建筑层高、WiFi 部署、气压基准校正强相关，不同楼宇场景需要调参适配，本文仅作为算法原理与工程方案参考，不构成定位系统开发交付承诺。