1. 位置指纹定位到底在解决什么问题室内环境里卫星信号基本指望不上这是做定位的人绕不开的第一道坎。你站在商场中庭打开地图那个蓝色小圆点要么飘到隔壁街区要么干脆不动原因很简单卫星信号穿过钢筋混凝土衰减几十个dB到了室内已经淹没在噪声里。而室内场景恰恰是定位需求最密集的地方——停车场找车、商场找店、仓库找货、医院找设备这些场景对定位精度的要求从几米到几十厘米不等传统方案根本接不住。位置指纹匹配就是在这种背景下被推到台前的。它的核心思路特别朴素先把一个空间里各个位置的“信号特征”提前采集下来存成一张表等用户拿着设备走到某个位置时实时采集当前信号特征拿去和表里的记录逐一比对最像的那条记录对应的坐标就是估计位置。这个“信号特征”在无线定位里通常指周围多个信号源发出的信号强度值也就是常说的RSSI也可以扩展到信道状态信息、到达角、飞行时间等更丰富的维度。为什么叫“指纹”因为每个位置接收到的来自不同信号源的强度组合就像人的指纹一样具有区分度。你在走廊拐角处能收到三个信号源强度分别是-55、-70、-82 dBm走到隔壁房间可能变成-68、-60、-79 dBm。这种组合模式在空间上呈现出独特的分布算法要做的就是学会识别这种模式。这个方案最大的优势在于不需要知道信号源的具体位置也不需要精确的信道模型。传统三边定位需要知道每个基站的坐标再用信号传播模型反推距离但室内多径效应严重信号强度与距离的关系极不稳定模型误差可能达到好几米。指纹匹配直接绕过了“信号强度转距离”这一步用模式识别的方式建立“信号特征到坐标”的映射对多径和非视距环境天然更鲁棒。当然代价也是有的。离线采集阶段需要投入大量人力做现场勘测把每个参考点上的信号特征都记录下来。这个工作量在大型场馆里非常可观一个几万平方米的商场可能要采集上千个点。而且信号环境会变今天摆的货架明天挪了位置信号分布就变了指纹库需要定期更新。这些工程上的麻烦是指纹定位落地时最头疼的部分后面会详细展开。适合读这篇内容的人我大致分三类一是刚接触室内定位、想搞清楚指纹匹配基本原理和实现路径的开发者二是已经在做定位项目、但精度或稳定性遇到瓶颈、想优化指纹库和匹配算法的工程师三是需要做技术选型、想判断指纹方案是否适合自己场景的产品或项目负责人。不管哪一类我都会从原理到实操把关键环节讲透代码和参数都给到能直接上手改的程度。2. 指纹定位的完整链路拆解2.1 离线阶段把物理空间变成一张信号地图离线阶段的任务是构建指纹数据库行话叫Radio Map。具体做法是在目标区域里按一定间隔划定参考点每个参考点停留一段时间采集来自各个信号源的信号强度通常每个信号源采几十到上百次取均值或中位数作为该点的特征向量再配上该点的已知坐标存成一条记录。参考点的间距怎么定这取决于你对精度的要求和信号源密度。经验上如果信号源比如无线接入点部署密度在每100平方米5到10个参考点间距取1到2米比较合适。间距太大指纹库分辨率不够匹配出来的位置误差就大间距太小采集工作量成倍增加而且相邻点的信号特征差异可能小于噪声波动区分度反而下降。我一般建议先用2米间距做一轮粗采看匹配效果再决定是否加密。采集设备的选择也有讲究。手机、笔记本、专用采集板都可以但要注意不同设备的接收灵敏度、天线方向性、采样频率都不一样。如果最终用户用的是手机那离线采集最好也用同型号或同档次的手机否则在线匹配时会出现系统性的偏差。这个坑我踩过用一台工程机采的库换到另一台手机上定位误差直接翻倍后来统一了采集设备才解决。采集时还有一个容易被忽略的细节人体遮挡。你手持设备采集时身体会挡住某个方向的信号导致该方向的信号源强度偏低。如果在线定位时用户也是手持设备这个偏差在一定程度上可以抵消但如果在线时设备放在口袋里或桌上偏差方向就变了。我的做法是采集时让设备离身体至少半米用支架或延长杆尽量模拟自由空间接收。每个参考点的采样时长也要控制好。太短样本不足均值不稳定太长采集效率低而且环境可能在这段时间内发生变化。一般每个点采30到60秒采样频率10Hz左右能拿到300到600个样本足够算出一个稳定的统计量。如果信号源很多可以适当缩短单点时间因为每个信号源都有足够样本。2.2 在线阶段实时信号来了怎么匹配在线阶段就是用户拿着设备走系统实时采集当前信号特征拿去和指纹库比对输出估计坐标。这里的关键是匹配算法也就是怎么定义“最像”。最直接的是最近邻法计算当前特征向量与库中每条记录的欧氏距离取距离最小的那条记录的坐标作为结果。这个方法简单但容易受噪声影响单次匹配可能跳到很远的点。改进版是K近邻取距离最小的K条记录用它们的坐标加权平均权重通常取距离的倒数。K一般取3到5能在平滑噪声和保持分辨率之间取得平衡。再进一步是概率方法。不把信号强度当成确定值而是当成随机变量离线阶段统计每个参考点上各信号源强度的均值和方差在线阶段用贝叶斯公式计算当前观测来自各个参考点的后验概率取概率最大的点。这个方法在信号波动大的环境里更稳但计算量也更大而且需要假设信号强度服从某种分布常见的是高斯分布实际中不一定成立。还有一类是基于机器学习的方法把指纹匹配当成分类或回归问题。离线数据当训练集特征向量是输入坐标是输出训练一个模型在线时直接预测。常用的模型有支持向量机、随机森林、神经网络等。这类方法能自动学习信号特征与位置之间的复杂映射精度往往比几何方法高但需要大量训练数据而且模型的可解释性差出问题时不好排查。实际项目中我通常先用K近邻快速搭一个基线看精度和稳定性如何再决定是否上更复杂的模型。很多时候K近邻调好参数就能满足需求没必要为了几个百分点的精度提升引入机器学习的复杂度。2.3 从匹配结果到最终坐标后处理不能省匹配算法输出的原始坐标往往会有跳变尤其是用户静止时估计位置可能在几个点之间来回跳。这时候需要后处理来平滑轨迹。最简单的做法是滑动平均维护一个最近N次估计结果的队列输出队列的均值。N取5到10比较合适太小起不到平滑作用太大则引入滞后用户已经走到新位置了输出还停留在旧位置。更好的是卡尔曼滤波。它把定位问题建模成状态估计问题用运动模型预测下一时刻位置再用观测值修正预测。卡尔曼滤波能在平滑噪声的同时保持对真实运动的跟踪滞后比滑动平均小。但需要调过程噪声和观测噪声的协方差矩阵调不好反而会引入偏差。我的经验是先用滑动平均跑通再逐步引入卡尔曼滤波对比效果再决定。还有一种后处理是地图约束。如果知道用户只能在走廊里走不能穿墙那匹配结果落到墙里就可以投影到最近的合法区域。这个约束能显著提升视觉上的合理性但需要提前准备好室内地图而且地图的坐标系要和定位坐标系对齐对齐误差会直接传递到定位结果。3. 指纹库构建中的实操细节与避坑3.1 信号源筛选不是越多越好采集指纹时周围可能有几十个信号源但并不是全部都要用。信号太弱的源强度接近噪声底波动大对区分位置贡献小反而引入干扰。我一般设一个阈值比如-90 dBm低于这个值的源直接丢弃。信号太强的源也要注意。如果某个源在所有参考点上的强度都差不多那它对区分位置没有帮助相当于一个常数偏移可以去掉。判断方法是看该源在指纹库中的强度方差方差太小的源贡献度低。还有一个坑是信号源的稳定性。有些源是移动热点今天开明天关或者位置经常变这种源不能进指纹库否则在线匹配时对不上。筛选时可以在不同时间段多采几轮只保留那些持续存在的源。最终保留的源数量经验上10到20个比较合适。太少特征维度不够区分度差太多计算量大而且冗余信息多对精度提升有限。可以用主成分分析降维但实际项目中我很少这么做因为信号源数量本身就不大降维的收益不明显反而增加了解释难度。3.2 异常值处理别让一个坏样本毁了一个点采集过程中难免遇到异常值比如有人走过挡住信号、设备突然卡顿导致采样间隔异常、某个源临时重启等。这些异常值如果不处理会拉偏该参考点的特征均值。我的做法是每个参考点采集完后先做一轮清洗对每个信号源的样本序列计算中位数和四分位距把超出中位数加减三倍四分位距的样本标记为异常剔除后再算均值。中位数比均值抗异常四分位距比标准差抗异常这套组合在信号处理里很常用。如果某个参考点上某个源的异常样本比例超过30%我会考虑整个点重采因为这说明采集过程中环境有较大干扰剩下的样本也不一定可靠。还有一个隐蔽的问题是采样顺序偏差。如果采集时按固定顺序走比如总是从东到西那时间上靠近的参考点可能受到相同的临时干扰导致它们在特征空间里也靠近引入虚假的相似性。解决办法是打乱采集顺序或者分多轮采集每轮走不同的路线。3.3 指纹库的更新策略环境变了怎么办指纹库不是一次建好就一劳永逸的。家具挪动、门窗开关、人员密度变化都会改变信号分布。我见过一个项目指纹库建好后过了三个月定位误差从3米涨到8米就是因为期间场地重新装修了。更新策略分两种全量重建和增量更新。全量重建就是重新采一遍精度最有保障但工作量大。增量更新只采集部分参考点用插值或模型迁移的方式更新其他点。增量更新的前提是环境变化是渐变的、局部的如果整个场地的信号源都换了位置那只能全量重建。实际项目中我建议至少每季度做一次抽检选10%的参考点重新采集对比新旧特征如果差异超过阈值就触发更新。阈值怎么定可以看匹配误差如果抽检点的匹配误差比建库时明显增大就说明该更新了。还有一种低成本的做法是众包更新。用户在使用定位服务时设备会同时采集信号特征和匹配结果如果匹配结果置信度高就把这对数据当成一个新的样本加入指纹库。这样指纹库能随着使用不断进化但需要设计好置信度评估和样本筛选机制否则会引入错误样本污染指纹库。4. 匹配算法的选型与调参实战4.1 欧氏距离最近邻基线方案的正确打开方式欧氏距离是最直观的相似度度量。假设指纹库中第i条记录的特征向量是 $r_i (r_{i1}, r_{i2}, ..., r_{iM})$在线观测是 $s (s_1, s_2, ..., s_M)$其中M是信号源数量那欧氏距离就是$$d_i \sqrt{\sum_{j1}^{M}(s_j - r_{ij})^2}$$取 $d_i$ 最小的i对应的坐标作为估计位置。这个方案实现简单计算量小适合作为基线。但它有两个明显问题一是所有信号源等权重实际上不同源的可靠性不同二是对噪声敏感单次观测的波动会直接反映到距离上。改进方向有两个一是加权给可靠的源更大权重二是用K近邻平滑。加权的方法后面讲先说K近邻。K近邻就是取距离最小的K条记录用距离倒数加权平均坐标$$\hat{p} \frac{\sum_{k1}^{K} w_k p_k}{\sum_{k1}^{K} w_k}, \quad w_k \frac{1}{d_k \epsilon}$$其中 $\epsilon$ 是一个很小的正数防止除零。K一般取3到5$\epsilon$ 取0.01到0.1。K值怎么选K太小平滑效果不够K太大会把远处的点也拉进来导致估计位置偏向指纹库的密集区域。我的经验是先用K3跑看轨迹平滑度和误差再逐步增大K找到误差不再明显下降的拐点。4.2 加权欧氏距离让可靠的信号源说了算不同信号源的可靠性差异很大。靠近的源信号强、波动小远处的源信号弱、波动大。如果等权重远处的源会引入更多噪声。加权欧氏距离给每个源一个权重权重通常取该源在离线阶段强度方差的倒数$$d_i \sqrt{\sum_{j1}^{M} w_j (s_j - r_{ij})^2}, \quad w_j \frac{1}{\sigma_j^2}$$其中 $\sigma_j^2$ 是第j个源在参考点上的强度方差。方差小说明该源稳定权重大方差大说明该源波动大权重小。这个方法的理论依据是最大似然估计如果假设各源的观测噪声独立且服从高斯分布那加权欧氏距离最小化等价于似然函数最大化。实际中高斯假设不一定成立但加权本身是合理的因为稳定源确实应该更被信任。权重的计算可以在离线阶段完成每个源算一个全局方差也可以每个参考点单独算。全局方差简单但忽略了不同位置上源稳定性的差异局部方差更精细但需要每个参考点有足够样本否则方差估计不准。我一般用全局方差因为实现简单效果也够用。还有一个细节是权重归一化。如果权重之和不为1距离的尺度会变影响K近邻中距离倒数的相对关系。所以算完权重后要归一化让 $\sum w_j 1$。4.3 贝叶斯匹配用概率说话贝叶斯方法把定位当成概率推断问题。离线阶段对每个参考点i和每个源j统计强度的高斯分布参数均值 $\mu_{ij}$ 和方差 $\sigma_{ij}^2$。在线阶段给定观测 $s$计算它来自每个参考点的似然$$P(s|i) \prod_{j1}^{M} \frac{1}{\sqrt{2\pi}\sigma_{ij}} \exp\left(-\frac{(s_j - \mu_{ij})^2}{2\sigma_{ij}^2}\right)$$再结合先验概率 $P(i)$通常假设均匀用贝叶斯公式算后验$$P(i|s) \frac{P(s|i)P(i)}{\sum_{k}P(s|k)P(k)}$$取后验概率最大的参考点作为估计位置或者用后验概率加权平均所有参考点的坐标。贝叶斯方法的优势在于它显式地建模了信号的不确定性在信号波动大的环境里比欧氏距离更稳。但它也有代价计算量随参考点数量线性增长如果指纹库有几千个点每次匹配都要算几千次乘积实时性可能成问题。优化方法有只对距离最近的若干候选点算似然或者用对数似然把乘积变成求和减少计算量。还有一个实际问题是高斯假设。信号强度在某些环境下并不服从高斯分布可能是偏态的或者多峰的。这时候可以用核密度估计代替高斯但计算量更大。我的经验是如果信号波动不是特别剧烈高斯假设够用如果波动很大先检查是不是有干扰源或者采集问题而不是急着换分布模型。4.4 机器学习方法什么时候值得上当指纹库足够大、环境足够复杂时机器学习方法能学到几何方法捕捉不到的模式。比如某个位置因为多径效应信号强度组合很特殊几何方法可能匹配不到但神经网络能学会这种模式。常用的模型有支持向量机适合小样本分类任务用得多回归任务也可以。核函数选择是关键径向基核在指纹定位里表现不错。随机森林鲁棒性好不容易过拟合能输出特征重要性方便分析哪些源对定位贡献大。神经网络拟合能力强但需要大量数据而且容易过拟合。全连接网络就够用不需要上卷积或循环结构因为指纹数据没有空间或时间结构。训练数据的划分要注意不能随机划分因为相邻参考点的指纹很相似随机划分会导致训练集和测试集有信息泄漏测试精度虚高。正确做法是按区域划分比如留出一个走廊做测试其他区域做训练这样测试结果才能反映真实泛化能力。模型训练好后在线预测就是一次前向传播计算量比贝叶斯方法小适合实时性要求高的场景。但模型更新麻烦环境变了要重新训练不像指纹库那样可以局部更新。我的建议是如果K近邻调好后精度已经满足需求就不要上机器学习。如果K近邻精度不够先检查指纹库质量和信号源部署这些基础问题不解决换什么算法都白搭。只有在基础都做好、精度还差一口气的时候才考虑机器学习。5. 精度评估与常见问题排查5.1 怎么评估定位精度才靠谱评估定位精度不能只看平均误差还要看误差分布和尾部情况。平均误差3米听起来不错但如果90%的误差在1米以内、10%的误差超过10米那用户体验会很差因为那10%可能正好发生在关键区域。常用的指标有指标含义适用场景平均误差所有测试点误差的均值整体精度概览中位误差误差的中位数抗异常值反映典型体验90分位误差90%测试点的误差不超过该值评估尾部风险均方根误差误差平方均值的平方根对大误差更敏感累积分布函数误差小于某值的比例全面了解误差分布测试点的选择也很关键。不能只在参考点上测试因为参考点是采集过的匹配容易准。要在参考点之间的位置上测试这些位置没有指纹记录更能反映真实使用情况。我一般按参考点间距的一半来选测试点比如参考点间距2米测试点就选在相邻参考点中间间距1米。测试时还要模拟真实使用场景用户手持设备、正常行走速度、不同朝向。如果测试时设备固定不动、朝向固定结果会偏乐观。5.2 匹配误差突然变大排查链路定位误差突然变大是最常见的问题排查要按链路一步步来。第一步检查信号源。有没有源被关掉或挪走用采集设备扫一遍看信号源列表和强度分布是否和建库时一致。如果某个源消失了指纹库里该源的记录就成了噪声会拉偏匹配结果。第二步检查指纹库。抽几个参考点重新采集对比新旧特征。如果差异大说明环境变了需要更新指纹库。差异不大的话问题可能出在在线匹配环节。第三步检查在线采集。设备的采样频率、接收灵敏度有没有变化有没有新的干扰源比如新装的无线设备、微波炉、蓝牙音箱等都可能干扰信号。第四步检查匹配算法。参数有没有被改动K值、权重、阈值是否还适合当前环境可以拿历史数据回放看算法输出是否正常。第五步检查后处理。卡尔曼滤波的参数是否还合适如果用户运动模式变了比如从步行变成推车运动模型可能不再匹配导致滤波发散。这个排查顺序是从物理层到算法层从离线到在线逻辑上比较清晰。实际中我遇到最多的是信号源变化和指纹库过期这两类问题占了七八成。5.3 静止时位置跳变原因和对策用户站着不动估计位置却在几个点之间跳这是指纹定位的典型问题。原因是信号强度本身在波动即使人不动多径效应也会导致接收强度变化匹配结果随之跳变。对策有几个层次增加采样时长在线采集时多采几个样本取均值降低瞬时波动。但会增加响应延迟需要权衡。增大K值K近邻取更多邻居平滑效果更强。但K太大定位会变模糊移动时滞后明显。引入运动状态检测用加速度计判断用户是否静止静止时加大平滑力度移动时减小平滑。这个需要额外的传感器但效果很好。地图约束如果知道用户在某区域可以把匹配结果限制在该区域内减少跨区域跳变。我通常组合使用先增大K到5再加运动状态检测基本能解决大部分跳变问题。如果还不行就要检查信号源部署是否合理可能某些区域信号源太少指纹区分度不够。5.4 不同设备定位效果差异大设备异构问题同一个位置A手机定位准B手机定位偏这是设备异构导致的。不同手机的无线芯片、天线设计、接收算法都不同同样的信号在A手机上读数是-60 dBm在B手机上可能是-67 dBm差了7个dB足以导致匹配到错误的参考点。解决办法有几种统一采集设备离线采集和在线定位用同型号设备偏差自然抵消。但实际中很难做到用户用什么手机你控制不了。设备校准采集时用多台设备同时采建立设备间的强度映射关系。在线时先识别设备型号再用对应的映射校正。这个方法有效但需要维护设备库新设备出来要更新。特征归一化不直接用绝对强度而是用相对强度比如每个源减去所有源的中位数或者用强度排序代替强度值。这样能消除设备间的整体偏移但会损失部分信息。在线自适应用匹配结果的置信度反馈调整设备偏差。如果连续多次匹配置信度低就调整偏差参数再试。这个方法不需要预先知道设备型号但收敛需要时间。实际项目中我一般先用特征归一化快速上线再逐步引入设备校准提升精度。如果用户群体设备型号集中校准的收益很明显如果设备型号很分散归一化更实用。6. 从原型到落地工程化中的取舍6.1 指纹库的存储和检索优化指纹库大了以后每次匹配都遍历所有记录会很慢。一个几万平方米的场地指纹库可能有上万个参考点每次匹配算上万次距离实时性受不了。优化方法有空间索引用KD树、R树等数据结构组织参考点坐标先按坐标范围缩小候选集再在候选集里做精细匹配。但指纹匹配的相似度是在信号空间定义的不是坐标空间所以空间索引只能加速“已知大致位置”的场景比如跟踪模式下用上一时刻位置限定搜索范围。信号空间索引用局部敏感哈希把相似的指纹映射到同一个桶里在线时只搜索对应桶。这个方法能加速但哈希函数的设计需要调而且有漏检风险。降维用主成分分析把特征维度从几十降到几再建索引。降维会损失信息但指纹数据本身冗余度高降维后精度损失往往不大。分层匹配先粗匹配定位到某个区域再在区域内精匹配。粗匹配可以用少量信号源或低维特征精匹配用全部特征。这个方法在大型场地里很有效。我的经验是如果指纹库在几千条以内暴力匹配就够快不用优化。上万条以后考虑分层匹配十万条以上才需要上复杂的索引结构。6.2 实时性 vs 精度的平衡定位系统通常要求每秒输出一次或多次位置每次匹配的时间预算有限。如果算法太复杂算不过来就只能降低输出频率影响体验。平衡策略算法复杂度分级静止或慢速移动时用复杂算法保精度快速移动时用简单算法保实时。因为快速移动时精度本来就会下降用户对误差的容忍度也更高。增量计算如果两次观测之间信号变化不大可以复用上次的部分计算结果只更新变化的部分。比如K近邻的候选集可以沿用上次的只重新算距离。并行化匹配计算可以并行尤其是贝叶斯方法每个参考点的似然计算相互独立。用多线程或GPU加速能显著提升吞吐。采样频率自适应信号波动大时提高采样频率波动小时降低频率。这样在保证精度的同时减少计算量。实际中我一般先保证实时性再在预算内尽量提升精度。用户对定位延迟的感知比对精度更敏感延迟超过1秒就会觉得卡。6.3 部署信号源时的注意事项指纹定位的精度很大程度上取决于信号源部署。部署得好指纹区分度高匹配自然准部署得不好算法再优化也白搭。部署原则密度适中太稀信号覆盖有盲区指纹区分度低太密信号源之间干扰大而且成本高。一般每100平方米5到10个源比较合适具体看场地结构和精度要求。位置合理不要全放在天花板同一高度高低错落能增加信号的空间多样性。不要全放在走廊房间内也要有覆盖。不要放在金属物体附近金属反射会扭曲信号分布。信道规划相邻源用不同信道减少同频干扰。2.4GHz频段只有3个不重叠信道部署密集时要用5GHz频段信道资源更丰富。功率控制功率太大信号覆盖范围广但相邻源的信号强度差异小指纹区分度低功率太小覆盖有盲区。要调整到信号能覆盖目标区域、但相邻源之间有明显强度差异的程度。部署完后要实测信号覆盖画出强度热力图看有没有盲区或异常区域。如果发现某个区域信号源太多或太少要调整部署再重新建库。6.4 用户隐私和数据安全指纹定位涉及采集用户的位置和信号数据隐私问题不能忽视。位置数据能反映用户行为模式属于敏感信息。基本措施数据脱敏存储时去掉设备标识只保留信号特征和坐标。如果需要跟踪用户轨迹用临时ID会话结束后销毁。本地计算匹配算法在用户设备上运行只上传匹配结果不上传原始信号数据。这样隐私保护好但对设备算力有要求。差分隐私在指纹库或匹配结果里加入噪声让攻击者无法从数据中推断出具体用户的位置。但噪声会影响精度需要权衡。访问控制指纹库和定位服务要有严格的权限管理只有授权应用才能访问。实际项目中隐私合规是硬要求不是可选项。在设计阶段就要考虑数据流向和存储策略不要等上线了再补。7. 一些实战中攒下来的经验指纹定位这个方向理论文章很多但真正落地时遇到的坑往往不在算法本身而在工程细节。我做了几个项目下来有几个体会特别深。第一个是指纹库的质量比算法重要。我见过太多项目算法换了一茬又一茬精度就是上不去最后发现是指纹库采集时就有问题参考点太少、采样时间太短、异常值没清洗。把指纹库重新采一遍用最简单的K近邻精度就达标了。所以如果精度不理想先别急着换算法回头看看指纹库。第二个是信号源部署决定了精度上限。算法再厉害也不能从无区分度的信号特征里变出位置信息。如果两个位置的信号特征几乎一样任何算法都分不开。部署信号源时要想着“让每个位置都有独特的信号组合”而不是只想着“让每个位置都有信号覆盖”。第三个是在线匹配要和离线采集保持一致。采集时用支架、离身体半米在线时用户拿在手里、贴着身体信号特征就不一样了。这个偏差在算法层面很难补偿只能在采集时尽量模拟真实使用场景。如果做不到就要在在线阶段做补偿比如根据设备姿态调整信号强度。第四个是后处理能救回不少精度。原始匹配结果可能跳得厉害但加上滑动平均或卡尔曼滤波轨迹就平滑多了。用户感知的是最终输出的轨迹不是原始匹配点所以后处理值得花时间调。第五个是别追求完美精度。室内定位做到2到3米已经不错了做到1米以内很难成本也高。先想清楚业务需要什么精度商场找店3米够用仓库找货可能要1米停车场找车5米也行。精度要求每提高一倍成本可能翻几倍要算好这笔账。最后说一个具体的技巧如果场地里有多个楼层指纹匹配很容易跨楼层误匹配因为上下楼的信号特征可能很像。解决办法是在指纹特征里加入气压计读数气压随高度变化能有效区分楼层。这个改动很小但效果很明显我在几个多层场地的项目里都用了跨楼层误匹配率从百分之十几降到百分之二以内。