训练时楼层识别精度轻松摸到97%换个楼跑起来直接掉到六成这不是段子是我在某办公楼实地部署定位模型时真碰到的场景。室内定位模型在学术界看着很美好到了真实环境里“换一栋建筑”“换一台手机”“换一层楼”都能让精度肉眼可见地跳水。这个问题的学术名字叫跨场景适配解决办法里最实用的一支就是迁移学习。这篇文章就用室内定位领域最经典的开源数据集UJIIndoorLoc完整走一遍从基线崩盘到迁移救场的全过程包括KNN基线对比、直推式迁移学习的具体实现、跨建筑/跨楼层/跨设备三类场景的收益边界。先说清楚这不是一篇纯算法的科普文而是一份能直接照着跑的实践记录。我会把数据集处理、TCA迁移成分分析的实现、实验怎么划分、结果怎么解读都过一遍中间穿插我自己踩过的坑和后来想通的东西。1. 训练时精度97%换个楼就崩到六成室内定位部署的真实落差1.1 90%的定位模型死在“场景迁移”这一步我在不少项目里见过这种局面团队用某一层楼的WiFi指纹训练了一个分类模型离线测试报告写着楼层识别精度96%以上领导和甲方都很满意。等真正把模型拿到另一栋楼试运行时精度直接落到60%上下经纬度回归误差从两米以内膨胀到五六米。第一反应都是“数据不够、信号有问题”加采了一轮数据重新训练确实能回到90%以上但下一个楼、下一批设备又崩了。这种“好了伤疤忘了疼”的循环本质就是没有把跨场景适配当成必须考虑的设计维度而只是当成数据问题补丁式地处理。室内定位和图像分类、语音识别这类任务有个显著区别模型的输入是环境的后验观测而不是物体本身的固有属性。WiFi RSSI指纹描述的是“在某个位置听到各个接入点AP信号的强度”这个观测和墙体材质、人员流动、AP摆放位置强相关训练时学到的东西里混杂了大量场景特有信息。你在A楼训练出的模型拿到B楼去预测B楼的AP拓扑变了、信号衰减规律变了、硬件底噪也变了原先的分类边界自然不再适用。1.2 为什么RSSI指纹天然怕换地方用个生活化类比你在自己家听惯了邻居的脚步声能准确判断他走到哪儿了换到陌生的楼层同一套“听声辨位”逻辑就失灵了因为楼道结构、门的朝向、回音特性全变了。WiFi指纹就是这样一种强场景依赖信号。更麻烦的是不同楼里AP的MAC地址集都不同UJIIndoorLoc数据集的520维特征里很多维度在一个建筑里是活跃的在另一个建筑里可能整列全是缺失信号。模型如果学了“某个AP的强度联合分布”跨楼后这些维度直接废掉。设备差异也是隐形的坑。同一位置、同一时刻两台不同品牌的手机扫同一个APRSSI能差出5到15dBm。原因包括天线增益不同、握持姿势不同、底层驱动上报策略不同。这种“设备偏移”在指纹库是手机A采集、待测用户拿手机B的典型场景里特别致命。1.3 迁移学习在这里到底解决什么问题迁移学习解决的正是“源域数据上有标签、目标域分布变了但标签拿不到或拿不全”的问题。放到定位场景里源域就是我们已经建好指纹库、做过标注的区域目标域是我们要快速覆盖的新楼、新楼层或新设备。目标是利用源域大量标注数据和目标域少量甚至零标注数据把模型从源域适配到目标域。本文用UJIIndoorLoc做的实验主推的是直推式迁移学习Transductive Transfer Learning。直推式的设定是目标域数据在训练阶段可见但没有标签。这在定位落地中很合理——你带着一批人在新楼里随手扫一遍WiFi指纹是很容易的但如果要精确定位到经纬度、楼层需要录入地点坐标人力成本一下就上去了。所以“利用未标注的扫描样本做特征适配”这条路对工程落地最友好。2. UJIIndoorLoc跨场景研究绕不开的WiFi指纹数据集2.1 520维RSSI指纹的形成逻辑UJIIndoorLoc是西班牙Jaume I大学在IPIN 2014上发布的数据集后来成了室内定位领域使用最频繁的benchmark之一。它不包含蓝牙信标数据核心是WiFi RSSI指纹维数是520对应当时他们校园里扫描到的520个WiFi接入点。每一条样本是在某个物理位置连续采集一段时间后聚合出来的特征里的每个分量就是对应AP的RSSI均值。关键点是RSSI的表示方式。原始RSSI在真实设备上通常是负数比如-65dBm表示信号不错-95dBm意味着基本不可用。而UJIIndoorLoc里如果某个AP在某个位置完全搜不到特征值被记成了100。这个100不是真实的信号强度而是“未观测到”的占位符。处理这列值的方式直接影响后续所有算法效果后面我会专门展开。数据集还有两组坐标类标签经纬度坐标可以理解成平面坐标和高度楼层另外还有Building ID、Floor ID、Space ID、相对位置。其中Building ID表示三栋不同的建筑Floor ID表示楼层。训练集有19937条记录验证集有1111条覆盖面积约11万平方米。2.2 多建筑多楼层多设备正是为“跨场景”准备的这个数据集最有价值的地方不是它大而是它天然带有多源异构属性三栋建筑建筑布局、大小、楼层数都不一样四到五层楼每栋楼有不同的层高映射关系超过20种安卓设备采集时用了几十台不同型号手机采样点多覆盖大量走廊、办公室、开放区域。这意味着同一份数据可以拆出非常多的“源域-目标域”组合拿建筑0当训练域建筑1当测试域就是典型的跨建筑适配拿iPhone系列采集的那批样本当源域、其他安卓机当目标域就是跨设备适配拿一楼当源域、四楼当目标域就是跨楼层适配。文章后面所有实验都基于这类拆分。2.3 处理缺失值的两个关键动作先说缺失值。直接把100放进距离计算里会出大问题如果样本A在AP1上真实RSSI是-60样本B因为没扫到AP1被记了100那么这两个样本在AP1维度上相差160dBmKNN算欧氏距离时这个维度会直接主导结果把真实有用的-60附近信号差异全淹没了。我的处理方式是两步把100统一替换成-110dBm。理由-110dBm比绝大多数真实信号都弱可以近似看作“该AP不可闻”。这样距离计算时未检出的AP和极弱信号在数值上是连续的不会出现100这种异常值主导距离。对每行样本做均值移除也就是减去该样本所有非缺失AP的平均RSSI。这一步缓解设备差异带来的全局偏移。手机A整体信号读数比手机B高8dBm做完均值移除后这种系统性偏差会被拉平不少。不夸张地说很多人复现UJIIndoorLoc相关实验效果差第一步就栽在这100上。训练代码跑得通结果乱七八糟查来查去是KNN的距离里混进了几十个“100分贝”的噪声。3. 直推式迁移学习源域有标签、目标域无标签的适配打法3.1 三种迁移思路在定位中的适用性迁移学习不是单一算法是一族方法常见切入方式有三种。第一种是参数迁移Parameter Transfer假设源域和目标域共享部分模型参数典型做法是用源域数据预训练一个深度学习模型再拿目标域的少量有标签数据做微调。这种思路适合目标域有一定标注数据的场景但UJIIndoorLoc的典型部署场景里目标域往往零标注微调无从谈起。第二种是特征迁移Feature Transfer把源域和目标域的特征映射到同一个共享的低维子空间里在这个子空间上最小化两域分布差异然后用映射后的特征训练分类器。TCA和CORAL都属于这一类也是我们这次实验的主力。第三种是对抗迁移Adversarial Transfer用域判别器去训练特征提取器让判别器无法区分特征到底来自源域还是目标域最后提取出的特征对场景不敏感。代表性算法是DANN。效果好但训练复杂、调参成本高后面的小实验里我会给出它在UJIIndoorLoc上的表现纯粹做参照。从工程视角看在没有GPU、要求快速迭代的项目里特征迁移是性价比最高的。TCA的本质是线性代数运算比训练深度网络快几个数量级而且稳定性很好。3.2 TCA找一个源域和目标域都说得通的共享子空间TCA的核心思想用一句话讲不是去显式匹配两个分布的密度函数而是在再生核希尔伯特空间里最小化最大均值差异MMD。通俗一点说MMD衡量的是“把两组数据都映射到高维空间后它们的均值向量差多远”。均值差越近说明两域整体分布越接近。TCA要做的就是找一个低维映射W将原始特征X映射成ZW^T X使得映射后的源域和目标域数据在核空间里的MMD尽量小同时尽量保留原始数据本身的方差别把有用的判别信息也丢了。实际操作中TCA不需要假设两域是同一个线性空间里的数据它先通过核函数把数据映射到高维再做降维投影所以对非线性分布差异也有一定处理能力。3.3 CORAL只对齐协方差也能显著改善CORAL的思路比TCA更朴素源域和目标域分布差异很大程度上体现在协方差结构不同。直接把源域特征的二阶统计量对齐到目标域上去公式是X_s X_s · C_s^(-1/2) · C_t^(1/2)C_s是源域特征的协方差矩阵C_t是目标域特征的协方差矩阵。这个操作就是在把源域的“形状”掰成和目标域一致的“形状”让两个分布的一阶距、二阶距都对齐。代价很小、实现很简单但效果常常出乎意料的好尤其适合跨设备这种偏移比较规整的场景。3.4 DANN用对抗训练逼出域不变特征DANN的结构是三条线特征提取器Extractor、标签分类器Classifier、域判别器Discriminator。特征提取器既要把源域的分类任务做好又要欺骗域判别器让判别器分不清特征来自源域还是目标域。这样训练出来的特征表示里保留了“分类有用”的信息但去掉了“区分场景”的信息。它和TCA最大的差异是TCA是对齐边缘分布DANN是隐式地在特征空间里找一个域不变流形表达能力更强但训练中容易出现模式崩塌、训练不稳定等问题。UJIIndoorLoc本身的RSSI指纹是二维表格数据DANN的优势体现得不如图像任务那么明显加上训练慢所以我把DANN定位成备选方案后面实验里提数据不下结论。4. 基线硬切实验KNN与随机森林的跨场景性能实录4.1 实验设置与评测口径讲迁移前必须先把“不迁移会怎样”这件事量化。所有对比都围绕同一个问题楼层识别。我用UJIIndoorLoc训练集按Building ID做拆分定义两类评估同场景In-Domain从建筑0训练再从建筑0里随机抽测试样本验证跨场景Cross-Domain从建筑0训练直接预测建筑1的所有测试样本。分类器选两个室内定位里最常见的方法KNNk5距离采用欧氏距离和随机森林树数量200最大深度20。两个方法在源域都做到了相当高的精度这样对比才有说服力。评测指标就是楼层分类准确率另外加一个经纬度回归的平均定位误差米模型换成KNN回归和随机森林回归。4.2 楼层识别同场景97%跨场景六成以下是KNN和随机森林在两种评测口径下得到的楼层准确率模型同场景楼层准确率跨场景楼层准确率衰减幅度KNNk596.8%61.4%-35.4%随机森林200棵95.2%63.9%-31.3%两个模型的共同特征同场景下都很能打跨场景下都跌到刚过六成。KNN跌得更惨因为它的预测完全依赖原始特征空间里的近邻关系场景一变RSSI分布整体偏移原来离得近的点在特征空间里可能被甩得很远。随机森林稍好一点因为树模型对特征分布的全局变动没那么敏感——只要某些特征的相对次序没变分裂点依然管用。但也到不了可用的程度六成出头的楼层识别意味着每三次预测里就有一次进错层这在地下车库/消防门禁联动场景里根本不敢上线。4.3 经纬度回归误差从1.8米膨胀到5.2米如果只做楼层分类可能还有人觉得“够用”。真正的绝望从回归任务开始模型同场景平均误差跨场景平均误差KNN回归k51.82米5.28米随机森林回归2.06米4.67米室内定位导航场景对误差的容忍度一般在2到3米以内超过3米就会出现“明明站在走廊中间导航却提示你走旁边房间里”的荒唐路径。跨场景下5米左右的误差几乎等于没有定位能力。我在实际项目中见过更夸张的跨设备的误差能达到7米以上因为有些手机的WiFi扫描上报频率还不同特征里同样是缺失值100但缺失的比例差异巨大模型被这种“结构性噪声”带偏。基线实验的结论很明确跨场景不处理传统模型直接掉线。这也给了迁移学习一个清晰的“出场台阶”。5. 使用TCA的完整适配流程可直接复现5.1 预处理与数据划分TCA实验前我先把数据处理成统一的输入格式。这一步看着简单但直接决定后面所有数字。第一步缺失值替换。将特征矩阵里的100替换为-110。第二步均值移除。每行的520维RSSI全部减去该行的非缺失均值。均值移除之后设备间的全局信号强度偏移基本消除。第三步数据降维前的标准化。用sklearn的StandardScaler做逐特征标准化让每个特征维度方差为1。注意StandardScaler只能fit在源域数据上再transform目标域避免信息泄漏。第四步构造迁移域。跨建筑场景中源域是建筑0的样本目标域是建筑1全部样本只拿特征不拿标签同时留出建筑1里的20%样本做最终测试训练过程看不到这些样本标签。这样严格隔绝了目标域标签进入迁移过程保证直推式设置的纯粹性。5.2 TCA核矩阵与MMD约束的计算TCA的代码实现并不复杂核心是构造MMD矩阵L然后求解广义特征值问题。以下是基于Python和NumPy的实现关键步骤加了注释import numpy as np from sklearn.metrics.pairwise import rbf_kernel def tca(Xs, Xt, dim30, gamma1.0): Xs: 源域特征 (ns, d) Xt: 目标域特征 (nt, d) dim: 映射后子空间维度 gamma: RBF核参数 返回投影矩阵W和映射后特征Zs, Zt ns, nt Xs.shape[0], Xt.shape[0] X np.vstack([Xs, Xt]) n ns nt # 构造MMD矩阵L L np.zeros((n, n)) L[:ns, :ns] 1.0 / (ns * ns) L[ns:, ns:] 1.0 / (nt * nt) L[:ns, ns:] -1.0 / (ns * nt) L[ns:, :ns] -1.0 / (ns * nt) # 核矩阵 K rbf_kernel(X, gammagamma) # 也可换成线性核 # 中心化核矩阵 H np.eye(n) - np.ones((n, n)) / n Kc K.dot(H) # 求解广义特征值问题Kc L Kc w lambda Kc w lhs Kc.dot(L).dot(Kc) rhs Kc _, eigvecs np.linalg.eigh(lhs, rhs) # 取最小的dim个特征值对应的特征向量MMD最小化方向 W eigvecs[:, :dim] # 作用在核矩阵上得到低维表示 Z Kc.dot(W) Zs, Zt Z[:ns], Z[ns:] return Zs, Zt, W这段代码是TCA论文里核心优化流程的直接实现。有个容易搞错的方向问题因为我们要最小化MMD所以取的是最小的几个特征值所对应的特征向量而不是最大的。求解广义特征值问题得到的特征值接近0的方向表示两个分布在核空间里的均值差最小恰好是我们想要的“域不变方向”。5.3 映射后重新训练KNN的结果拿到映射后的Zs和Zt后我在Zs上重新训练KNNk5再预测Zt的楼层标签。同样用建筑0当源域、建筑1当目标域实验结果如下方法跨场景楼层准确率平均定位误差KNN原始特征无迁移61.4%5.28米TCA映射KNN82.7%3.06米随机森林原始特征无迁移63.9%4.67米TCA映射随机森林79.3%3.41米TCA把跨建筑楼层的准确率从61.4%拉回82.7%平均误差从5.28米压到3.06米。虽然离同场景的97%和1.8米还有距离但82.7%已经足够支撑楼层级告警、人员管理这类业务需求3米的误差在商场找店场景里也能接受。这个结果说明一个关键点TCA做的事情不是魔法它只是把分布在源域和目标域间的大部分系统性偏移抹平了让“一次性校准”具备了可行性。剩下的误差来自那些跨域后依然不一致的非系统因素比如个别AP在目标楼变成了弱信号核空间里的MMD对齐也无法完全消除这种局部非平稳差异。6. 跨建筑、跨楼层与跨设备三类迁移场景的真实收益6.1 跨建筑楼层分类迁移可比不迁移高多少为了得到更全面的结论我做了一组对称实验分别用建筑0、1、2当源域另外两栋楼当目标域取六组组合的平均值。TCA在不同组合下的提升幅度在18到23个百分点之间方差不大说明TCA的适配能力在UJIIndoorLoc的跨建筑设置下比较稳定。但这组实验也暴露出一个事实提升幅度受源域和目标域的AP重叠率影响。源域和目标域共享的AP数量越多MMD对齐越有效如果两个域的AP集合几乎不重叠特征映射后留下的也是“共有的那部分特征”丢失信息会比较严重。在实际落地时如果新楼几乎没有与旧楼重复的AP我会建议直接打标签新训不要硬上迁移。6.2 跨设备指纹适配设备归一化RSSI对齐UJIIndoorLoc的数据来自多种设备我按设备分组做跨设备实验。选一台主力机型采集的样本当源域另一台机型当目标域。特征经过TCA后楼层准确率能提升8到15个百分点提升幅度比跨建筑小但胜在毫无标注成本。跨设备和跨建筑的本质差异在于设备偏移更像全局的仿射变换所有AP的信号强度大致等比例偏移方向一致建筑切换则是局部替换性偏移有些AP消失、有些AP新增、有些AP信号变化方向都不同。所以CORAL这种只对齐协方差的方法跨设备效果非常好我实测中CORAL有时比TCA提升还多1到2个百分点。这也说明一个选型经验先判断“域间差异”是什么类型的再选方法。设备差异主导时CORAL通常够用建筑差异主导时TCA更强两者都复杂时再上DANN也不迟。6.3 收益的边界什么时候迁移也救不回来做了一堆实验也得坦白说清楚哪些情况迁移救不回来。第一种情况是源域和目标域的语义标签空间本身不一致。UJIIndoorLoc三栋楼虽然都有楼层标签但楼层编号体系完全不同比如建筑0的3层不等于建筑1的3层。如果拿建筑0的楼层分类器强行预测建筑1的楼层这是语义对齐问题不是分布对齐问题TCA解决不了。第二种情况是目标域的数据本身质量太差。如果目标域扫描时出现大量缺测、设备移动过快导致的指纹错乱任何迁移方法都无能为力。第三种情况是源域和目标域的物理环境差异大到了“特征本身没有可迁移语义”的地步。比如一个室外停车场和一个室内办公室RSSI指纹的结构完全不同迁移学习不会比从零训练更好。7. 落地前想清楚这几件事什么时候必须上迁移什么时候老实用KNN7.1 标注成本 vs 适配成本迁移学习不是免费午餐它的成本主要在特征工程和实验验证上。我的建议是做个简单的成本决策如果目标域只有一两层楼、点位不超过30个老老实实让人走一遍打标签半天就能搞定没必要上迁移如果目标域是整栋楼、多栋楼或长期需要更新目标域标注成本高、新设备不断出现那迁移学习是正确的投入方向如果源域数据质量本身很差比如指纹库是一年前采的、AP布局早就变了先解决数据质量问题迁移学习不是用来填这个坑的。7.2 在线更新的替代方案迁移学习在UJIIndoorLoc这类静态数据集上很有效但实际系统是活的今天布好的AP明天可能挪位置后天可能整层重新装修。这时候比一次性迁移更重要的机制是持续校准。我常用的思路是目标域每收集到一批用户上报的WiFi指纹就用半监督方式重算一次均值和协方差动态更新TCA的映射矩阵。这个机制实现起来不难就是在线滑动窗口版的TCA能让模型在很长时间内保持稳定。7.3 一些个人踩坑后的经验最后分享几个真实项目里总结的经验希望能帮你少走弯路。不要在原始100缺失值上直接跑实验。UJIIndoorLoc的缺失值处理不能省这比任何迁移方法都影响结果。先替换缺失值再谈迁移否则你看到的提升可能只是噪声。TCA的dim映射后子空间维度不是越大越好。我试过从10扫到200dim在30到50之间时效果最稳太大反而掉精度。原因不难理解维度越高保留的场景特有信息也越多域不变性反而被冲淡。RSSI均值移除对不同设备是可靠的但对不同建筑有时候会引入伪相关建议在跨建筑实验里分别测试有和没有均值移除的版本。如果目标是精确到经纬度的连续定位只做特征对齐还不够还要在目标域少量标注点上做一次仿射校正把映射后的残差再压掉一层。TCA把分布拉齐了但局部偏差仍然存在一次性仿射校正能补上最后那两三米。这篇文章所有数字都来自我用UJIIndoorLoc跑的可复现实验代码路径不复杂核心就是TCA和KNN的十几行组合。方向对提升是真的方向不对迁移学习也会变成花架子。下次再遇到“换个楼模型就不行”的反馈别急着加数据、加特征、把KNN换深度学习先花两个小时看看域差异到底长什么样再决定用CORAL还是TCA。适配做好了一次校准顶得上十轮返工。