想象这样一个场景：你在浓雾里攀登一座陌生的山，眼前白茫茫一片，看不出五十米外是峭壁还是缓坡。你手头有两样“定位工具”：一个是脚上的步伐——你能感觉到自己走了多少步、大概朝哪个方向移动，但它会因脚滑、踩空而积累误差；另一个是口袋里那台 GPS——每隔几秒才捕获一个信号，显示的高度和经纬度却总是在跳动。 单靠步伐，你会越走越偏；单靠 GPS，屏幕上的数字像疯了一样乱跳。真正聪明的做法是：把两者结合起来——步伐稳定时多相信步伐，GPS 突然跳动时果断降低它的权重，然后不断重复“先往前估，再拿读数修正”的过程。这个不断“预估—校正—再预估”的循环，就是多传感器融合的核心思想；而它背后最经典、最优雅的数学工具，就是 卡尔曼滤波（Kalman Filter）。 卡尔曼滤波本质上是一个“内心向导”：它先用运动规律推算下一步状态，再等传感器数据来“戳破”猜测，最后把预测和测量按不确定度加权合并。整个过程只需要五六个公式，却能把一堆噪声很大的传感器信号，融合成一个比任何一个单独信号都更准的估计。今天这篇指南，我们就从零开始，把它讲到工程落地。

岗位关联

对 AI 从业者来说，卡尔曼滤波是把“不完美数据变成高精度状态”的必修课。无论是无人机导航、自动驾驶目标跟踪，还是物联网传感器数据清洗，它都是算法管道的核心关节。掌握它，意味着你真正理解“融合”的价值，而不只是会调库。

目录
  1. 可视化演示
  2. 状态空间模型
  3. 卡尔曼滤波核心
  4. 扩展卡尔曼滤波
  5. 无迹卡尔曼滤波
  6. 组合导航应用
  7. 工程实战要点
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化 处理流程：输入→处理→模型→输出 性能监控：实时指标 P=L×T

状态空间模型

浓雾中，你是怎么判断“我在哪”的？你会打开速写本，记下几个关键数字：脚底相对山脚的高度、当前位置的大致经纬度、移动的速度和方向。这本“速写本”，在卡尔曼滤波里就叫状态向量。登山者关心的是位置和速度，机器人关心的是关节角度和角速度，无人机关心的是三维坐标、速度、姿态。

一旦状态定下来了，下一个问题是：状态随时间怎么变？这就要靠状态转移矩阵 F。如果你知道前一秒的位置和速度，那下一秒的位置大致等于当前位置加上速度乘以时间——F 就是把这句“物理常识”翻译成矩阵运算。同时，你的口袋 GPS 不是直接看到状态，而是看到“状态的一部分、还带着噪声”，这层关系由观测矩阵 H 来描述。

除了状态方程，还有一个观测方程 \(z_k = H x_k + v_k\)，其中 \(v_k\) 是测量噪声，协方差为 R。Q 和 R 合称噪声协方差，它们记录了模型对“速度”的自信程度——Q 小代表运动模型可靠，R 小代表传感器精确。合上这本速写本，你会发现：卡尔曼滤波要处理的所有“不确定感”，其实都来自这两个协方差矩阵。

xk=F xk−1+B uk+wkx_k = F\,x_{k-1} + B\,u_k + w_k
这个公式称为“状态方程”：它说“当前状态 = 上一步状态按运动规律演化 + 外部控制 + 不可控的随机扰动”。
  1. 当前状态 \(x_k\)第 k 时刻的系统状态向量，比如登山者的位置和速度，是滤波要估计的目标。
    xkx_k
  2. 转移矩阵 \(F\)描述状态如何从上一步演化到下一步，相当于“身位推进规则”。
    F xk−1F\,x_{k-1}
  3. 控制项 \(B u_k\)外部施加的已知输入，比如登山者主动迈步的加速度，来自控制指令。
    B ukB\,u_k
  4. 过程噪声 \(w_k\)模型没考虑到的随机扰动，比如侧风、脚滑；通常假设服从均值为零的高斯分布，协方差为 Q。
    wk∼N(0,Q)w_k \sim \mathcal{N}(0, Q)

卡尔曼滤波核心

登山者的内心节奏永远只有两个拍子：预测和更新。第一步，他按步伐模型往前外推：“我大概又往前走了两米”——这叫预测；第二步，GPS 亮了一下，他瞥见一个坐标——“啊，原来我偏右了半米”——这叫更新。卡尔曼滤波就是把这个心跳写成数学。

预测阶段，用上一步的估计值套用状态方程，得到预测状态 \(\hat{x}_{k|k-1}\)，同时让协方差矩阵 P 变大——因为模型不可能一百分准确，预测越久，不确定性越大。更新阶段，把预测值投影到观测空间，与真实测量 \(z_k\) 比较，得到一个“偏差”（叫创新项），再用卡尔曼增益 K 决定把这个偏差修正多少。

配套的还有预测方程和协方差更新方程，共同构成五式循环：预测状态 → 预测协方差 → 计算增益 → 更新状态 → 更新协方差。只要传感器不断来数据，这个循环就永不停止，实时输出一个比任何单一传感器都更稳妥的估计。登山者的步伐因此越走越稳：GPS 跳一下，他不会被带偏；GPS 失效，他还能靠模型撑一阵。

x^k∣k=x^k∣k−1+Kk (zk−H x^k∣k−1)\hat{x}_{k|k} = \hat{x}_{k|k-1} + K_k\,(z_k - H\,\hat{x}_{k|k-1})
这个公式是卡尔曼滤波的心脏：估计值 = 预测值 + 增益 × 预测与测量的偏差。增益 K 就是骑手手里的缰绳，决定该被测量拉多远。
  1. 预测估计 \(\hat{x}_{k|k-1}\)利用上一步信息按运动模型外推得到的估计，带“帽子”表示是估计值。
    x^k∣k−1\hat{x}_{k|k-1}
  2. 测量值 \(z_k\)传感器在 k 时刻返回的读数，比如 GPS 坐标。
    zkz_k
  3. 创新项 \(z_k - H\hat{x}_{k|k-1}\)把预测状态映射到观测空间后，与真实读数之间的差值；如果差值为零，说明预测和实测完全一致。
    zk−H x^k∣k−1z_k - H\,\hat{x}_{k|k-1}
  4. 卡尔曼增益 \(K_k\)介于 0 与 1 之间的权重，由预测协方差和测量噪声 R 共同决定，负责分配“信谁更多”。
    KkK_k
  5. 更新后估计 \(\hat{x}_{k|k}\)把一部分创新项加回预测值，得到融合后的最终输出，这就是滤波的结果。
    x^k∣k\hat{x}_{k|k}

扩展卡尔曼滤波

山路不总是直的。当你走上之字形盘山道，前面几步看着是直线，再往前却突然拐了一个大弯。如果还用匀速直线运动模型去外推，误差会越来越大。这就是非线性问题：运动模型不再是简单的 \(F x\) 乘法，而是一个非线性函数 \(x_k = f(x_{k-1})\)。

扩展卡尔曼滤波（EKF）的思路非常朴素：既然整条路会拐弯，那我只看脚下的十几厘米——这段距离内，路面几乎是直的。数学上就是把非线性函数在当前估计点附近做一阶泰勒展开，用切线近似曲线。这个“切线”的斜率，就是雅可比矩阵，它代替了原来状态转移矩阵 F 的角色。

EKF 观测方程同样要线性化，对观测函数 \(h(x)\) 也求雅可比矩阵。它会引入近似误差，但只要非线性不太强，工程上效果极佳。回到登山场景：你不需要画出整座山的轮廓，只要低头看脚下那半米路，判断它是往上还是往左偏，就足够迈出正确的下一步了。

Fk=∂f∂x∣x^k−1∣k−1F_k = \left. \frac{\partial f}{\partial x} \right|_{\hat{x}_{k-1|k-1}}
雅可比矩阵本质上是“局部斜率表”：它告诉我们，当状态的每个分量（位置、速度…）各自改变一点点时，系统输出会跟着改变多少。
  1. 非线性运动模型 \(f(x)\)现实中运动会转弯、会受重力影响，状态演化不再能写成简单的矩阵乘法。
    xk=f(xk−1)+wkx_k = f(x_{k-1}) + w_k
  2. 偏导数矩阵 \(\frac{\partial f}{\partial x}\)对状态向量中每一个分量求偏导，构成一个矩阵，描述了系统在当前点的“敏感方向”。
    ∂f∂x\frac{\partial f}{\partial x}
  3. 在当前估计点取值 \(\left.\cdot\right|_{\hat{x}_{k-1|k-1}}\)雅可比矩阵不是在任意点算，而是在上一时刻的估计值附近计算；因为只在局部近似，所以估计点移动后每步都要重新计算。
    ∂f∂x∣x^k−1∣k−1\left. \frac{\partial f}{\partial x} \right|_{\hat{x}_{k-1|k-1}}

无迹卡尔曼滤波

雅可比这条“切线”在山路急转弯处会失真。那有没有办法不切线，而是更“笨”也更可靠地处理弯路？有的——多派几个侦察兵。不要只站在一个点用切线估计，而是在你估计的位置周围撒出一小撮带间距的“侦察点”，让每个点都穿过真正的非线性山路，再把它们带回的坐标汇总成一个统计结论。这组侦察点就是 Sigma 点，这种“撒点变换”的方法叫无迹变换（UT 变换）。

UT 变换的第一步，是从当前均值和协方差矩阵中选点。Sigma 点不是随机采样的，而是按矩阵平方根“放样”出来的：在均值两侧对称放置若干点，点的间距由协方差和尺度参数共同控制。之后把每个 Sigma 点代入非线性函数 \(h(\cdot)\)，得到一批“侦察报告”，再按权重加权平均，得到输出状态的均值和协方差。

对比 EKF：EKF 需要手推雅可比矩阵的解析表达式，遇到强非线性或突变时误差大；UKF 不用求导，精度在某些问题下可达三阶量级，因此被称为“无导数”的滤波方法。代价是计算量稍大。登山者心里清楚：派三个侦察兵去试三条不同路线，总比站在坡顶凭空画一条切线更让人放心。

Xi=x^+((n+λ)P)i\mathcal{X}_i = \hat{x} + \left( \sqrt{(n+\lambda)P} \right)_i
Sigma 点的公式：从均值出发，沿协方差椭圆的主轴方向散布开来。公式里的平方根不是标量开方，而是对矩阵做 Cholesky 分解得到的“矩阵平方根”。
  1. 第 i 个 Sigma 点 \(\mathcal{X}_i\)在估计状态附近选出的第 i 个采样点，用于穿过非线性函数。
    Xi\mathcal{X}_i
  2. 当前均值 \(\hat{x}\)Sigma 点的中心，也就是滤波器此刻对状态的最佳猜测。
    x^\hat{x}
  3. 尺度参数 \((n+\lambda)\)n 是状态向量的维度，λ 是调节采样散布范围的超参数；它决定侦察兵们撒得多么开。
    n+λn+\lambda
  4. 协方差平方根 \(\sqrt{(n+\lambda)P}\)对协方差矩阵 P 做分解后得到的“丈量工具”，它把椭圆的不确定性转成具体的空间距离。
    (n+λ)P\sqrt{(n+\lambda)P}

组合导航应用

现在我们把登山者的两个工具摆上桌：IMU（惯性测量单元）像步伐模型，以几百赫兹的高频率输出加速度和角速度，短期非常准，但积分久了会积累漂移；GPS像那台时不时亮一下的接收机，低频、有噪声，但长期无漂移。两者天生互补，而卡尔曼滤波正是让它们“握手”的翻译官。

在 GPS-IMU 组合导航的松耦合方案中，两个传感器各自先解算自己的位置，再由滤波器融合。状态向量通常包含位置、速度、姿态，以及 IMU 的零偏误差。IMU 负责高频预测——它的加速度数据不断积分出位置增量；GPS 负责低频修正——每次新的定位坐标一到，就修正掉积分漂移。

工程上绝不能把数据拿来就用，还得做三件“苦差事”：坐标对齐——GPS 输出经纬高，IMU 输出载体坐标系，要统一到一个导航坐标系比如东-北-天；采样同步——GPS 可能 10Hz、IMU 可能 200Hz，需要通过时间戳对齐才能让“修正”打在正确的位置；误差修正——把 IMU 陀螺零偏和加速度计零偏也当作状态变量，让滤波自己估计并补偿它们。做完这些，融合系统才算真正能跑。登山者这才享受到两种工具叠加的红利：脚下高频细碎但会偏，头顶低频清晰但会跳，两者一拍即合。

pt+Δt=pt+vt Δt+12 at (Δt)2p_{t+\Delta t} = p_t + v_t\,\Delta t + \frac{1}{2}\,a_t\,(\Delta t)^2
这是 IMU 惯性导航最核心的位移积分公式：当前位置 = 原位置 + 速度跑出的一段 + 加速度拉出的一段。卡尔曼滤波就是靠它不断预测位置。
  1. 当前位置 \(p_t\)t 时刻系统在导航坐标系中的位置向量，比如东、北、天三个方向上的坐标。
    ptp_t
  2. 速度位移项 \(v_t \Delta t\)如果速度保持不变，Δt 时间内匀速走出的距离。
    vt Δtv_t\,\Delta t
  3. 加速度位移项 \(\frac{1}{2} a_t (\Delta t)^2\)由加速度引起的额外位移，对应匀加速运动中的经典公式。
    12 at (Δt)2\frac{1}{2}\,a_t\,(\Delta t)^2
  4. 时间步长 \(\Delta t\)IMU 每次更新的时间间隔，高频时它很小，所以积分误差会被反复修正。
    Δt\Delta t

工程实战要点

数学公式写得再漂亮，工程落地时考验的是调参。好比登山者出发前要调节登山杖：杖尖太软撑不住身体，太硬又硌手。卡尔曼滤波的“登山杖”，就是参数 Q、R 和初值。

初值设置方面，状态初值 \(x_0\) 根据第一帧测量大致给一个，协方差初值 \(P_0\) 宁可设大一点，让滤波器慢慢“收缩”；如果 \(P_0\) 设得太小，滤波器会过早自信，后面想纠正都纠正不回来。调参技巧的核心是观察卡尔曼增益 K 的稳态值：它告诉你系统最终是更相信预测还是更相信测量。如果你希望滤波曲线更贴传感器，就把 R 调小；如果希望更平滑抗噪，就把 R 调大。

数值稳定性是另一处暗礁。协方差矩阵 P 在反复运算中可能因舍入误差失去对称性，甚至变成负定矩阵，导致滤波发散。工程上常见的缓解手段包括：强制 P 对称化，使用平方根滤波的变体，以及给 P 加一个极小的对角项防止奇异。登山者调好参数后，整个系统就像一根顺手的手杖，在浓雾中也能保持重心稳定——但调得不好，手杖反而会绊倒你。

Kk=Pk∣k−1Pk∣k−1+RK_k = \frac{P_{k|k-1}}{P_{k|k-1} + R}
在一维情形下，卡尔曼增益就是“预测不确定性 ÷（预测不确定性 + 测量噪声）”。R 越小，K 越接近 1，输出越依赖测量；R 越大，K 越接近 0，输出越依赖预测。
  1. 预测不确定性 \(P_{k|k-1}\)当前状态估计的方差，反映了模型对预测结果的置信水平。
    Pk∣k−1P_{k|k-1}
  2. 测量噪声 \(R\)传感器读数的方差，描述了测量结果有多“不可信”。
    RR
  3. 增益比值 \(\frac{P}{P+R}\)预测不确定度在所有不确定度中的占比，占比越高越该相信测量。
    Pk∣k−1Pk∣k−1+R\frac{P_{k|k-1}}{P_{k|k-1} + R}
  4. 两个极端情况当 R 趋近于 0 时 K 趋近于 1，相当于完全信任传感器；当 P 趋近于 0 时 K 趋近于 0，相当于完全信任预测。
    K→1 或 K→0K \to 1 \ \text{或} \ K \to 0

AI 应用场景

无人机悬停与自主飞行

阶段：传感器数据融合与状态估计

解决的问题：无人机单靠 IMU 时姿态和位置会漂移，单靠 GPS 时在城市峡谷中信号会跳变甚至丢失。卡尔曼滤波把 IMU 的高频加速度和 GPS 的低频定位融合成一个连续、稳定的位姿估计。

具体案例：某四旋翼无人机在桥洞下飞行时 GPS 信号被遮挡，系统切换到“IMU 预测 + 视觉里程计修正”的模式；当 GPS 恢复后，卡尔曼增益自动重新调高对 GPS 的信任，无人机平滑地回到正常导航轨迹。

自动驾驶多传感器目标跟踪

阶段：感知后处理与目标跟踪

解决的问题：毫米波雷达的测距噪声大、摄像头的检测有漏帧，单独一路信号都不稳定。卡尔曼滤波将雷达的距离与速度、摄像头的检测框进行融合，输出平滑稳定的目标轨迹。

具体案例：在高速巡航场景中，前方车辆经过一个金属广告牌时雷达出现瞬间虚假目标，滤波器因该测量创新项过大而自动降低其权重，从而避免了车辆误制动。

工业物联网设备健康监测

阶段：时间序列预处理与异常检测

解决的问题：工业旋转机械的振动传感器信号混杂了大量噪声，直接用阈值判断会产生大量误报警。卡尔曼滤波先把信号平滑成低噪声的趋势曲线，再送入异常检测模型。

具体案例：某工厂在风机轴承上加装加速度计，采集到的原始振动信号波动剧烈；滤波后信号趋势清晰可辨，提前 3 天检测到轴承磨损特征，成功避免了一次非计划停机。

Python 演示

python58 行
import numpy as npimport matplotlib.pyplot as plt np.random.seed(42) dt = 0.1N = 120t = np.arange(0, N * dt, dt)true_pos = 0.02 * t**2 + np.sin(t)true_vel = 0.04 * t + np.cos(t) # 只有位置的带噪测量z = true_pos + np.random.normal(0, 0.3, N) # 状态转移矩阵 位置与速度的匀速运动模型F = np.array([[1.0, dt], [0.0, 1.0]])# 观测矩阵 只观测位置H = np.array([[1.0, 0.0]])# 过程噪声协方差 模型不够精确的程度Q = np.array([[0.01, 0.0], [0.0, 0.02]])# 测量噪声协方差 传感器误差程度R = np.array([[0.3]])  def kf_predict(x, P, F, Q):    return F @ x, F @ P @ F.T + Q  def kf_update(x, P, z, H, R):    y = z - H @ x    S = H @ P @ H.T + R    K = P @ H.T @ np.linalg.inv(S)    x_upd = x + K @ y    P_upd = (np.eye(len(x)) - K @ H) @ P    return x_upd, P_upd, K  x = np.array([0.0, 0.0])P = np.eye(2) est_pos = []est_vel = []for i in range(N):    x, P = kf_predict(x, P, F, Q)    x, P, K = kf_update(x, P, np.array([z[i]]), H, R)    est_pos.append(x[0])    est_vel.append(x[1]) plt.figure(figsize=(8, 4))plt.plot(t, true_pos, label="true")plt.plot(t, z, label="measurement", alpha=0.5)plt.plot(t, est_pos, label="estimate")plt.legend()plt.xlabel("time(s)")plt.ylabel("position(m)")plt.title("1D Kalman Filter Demo")plt.tight_layout()plt.show()
目的：这段代码用一维匀速运动模型实现完整卡尔曼滤波流程，对带噪位置测量进行平滑，最终画出真值、测量值和滤波估计三条曲线，直观展示滤波的“去噪”效果。
  1. F = np.array([[1.0, dt], [0.0, 1.0]])位置由速度推动，速度保持不变，这是最简的运动模型。
  2. Q = np.array([[0.01, 0.0], [0.0, 0.02]])过程噪声协方差，表示对运动模型的信任程度。
  3. R = np.array([[0.3]])测量噪声协方差，对应测量误差标准差约 0.55。
  4. y = z - H @ x计算创新项，即“实测值减去预测投影值”。
  5. S = H @ P @ H.T + R计算总不确定度，它决定增益的缩放级别。
  6. K = P @ H.T @ np.linalg.inv(S)求解卡尔曼增益，这是滤波的核心权重。
  7. x_upd = x + K @ y用增益乘创新项修正状态，即融合后的最优估计。
  8. plt.plot(t, est_pos, label="estimate")把每条曲线画出来，可以看到紫色估计线比带噪测量平缓得多，且紧跟真值。

常见误区

误区感觉 K 是“幅度”的意思，K 越大说明滤波越猛，就应该越准。所以调参时恨不得把所有 K 都调到接近 1。

正解卡尔曼增益不是性能指标，而是一个“信任分配器”。它反映的是预测和测量谁更可靠：测量噪声小，K 自然变大；预测不确定度小，K 自然变小。合理的 K 是在两个不确定性之间取得最优均衡，强行把 K 调大反而会让滤波变得像直接使用噪声测量，失去融合的意义。

为何常见：初学者看到“增益”这个词，容易联想到“放大器”，误以为增益越大信号越强。

误区感觉滤波反正会自动纠偏，那 Q 和 R 随便填几个小数，跑起来结果看着差不多。

正解Q 与 R 的共同作用直接决定了卡尔曼增益 K 的稳态值和整个滤波的动态响应。Q 设得太大，滤波器会频繁相信测量，曲线追着噪声跑；R 设得太大，滤波器对测量反应迟钝，可能长期保持一个错误估计。它们是系统设计的核心，必须结合传感器的实测噪声方差和模型精度来标定。

为何常见：Q 和 R 没有像损失函数那样直观，肉眼看不到“错误反馈”，导致初学者把它们的地位看低。

误区既然 EKF 能处理非线性系统，那对急转弯、强机动目标也一定能跟踪得很好。

正解EKF 只用了泰勒展开的一阶项，在强非线性或系统状态分布严重偏离高斯时，线性化误差会很大，甚至导致滤波发散。对于强非线性，UKF 或粒子滤波往往更可靠。EKF 的适用前提是“非线性不太强、局部可以近似为直线”。

为何常见：看到“扩展”两个字，就以为是对标准滤波的全面升级，忽略了其本质上仍然是线性近似。

误区既然 UKF 不需要求雅可比矩阵，精度还更高，那就永远用 UKF，不用 EKF 了。

正解UKF 也存在局限：它仍然假设高斯分布，计算量比 EKF 高；在状态维度较高或非线性较弱的场景下，优势并不明显，反而可能因数值问题导致更大的麻烦。工程选型要综合非线性强度、实时性需求和实现成本，不能一概而论。

为何常见：网络上许多对比实验都展示 UKF 在强非线性中优于 EKF，容易让人产生“它总是更好”的错觉。

误区觉得卡尔曼滤波输出一条光滑曲线，说明传感器噪声被“滤掉了”，从此数据就是真值。

正解卡尔曼滤波只能把不确定性降低到理论最优水平，并不能创造信息。它输出的估计里依然存在由过程噪声和测量噪声共同决定的最小方差误差，而且依赖于模型的准确性。模型错了，滤波结果也会系统性地偏。

为何常见：平滑后的曲线过于漂亮，让人忽略了滤波依然是“带误差的估计”，而不是“无误差的真值”。

面试题

Q1. 卡尔曼滤波的全部流程可以概括为哪两个阶段的循环？

单选题 · easy

  • A.编码与解码
  • B.预测与更新← 正确答案
  • C.前向与反向
  • D.采样与回归

答案：B。卡尔曼滤波五大公式本质上只做两件事：先用运动模型预测下一步状态，再用测量值更新修正。其他选项来自深度学习或统计学的术语，与卡尔曼滤波的结构无关。就像登山者先迈步预估，再拿 GPS 修正。

Q2. 在状态空间模型中，状态向量通常最关心哪些量？

单选题 · easy

  • A.位置与速度← 正确答案
  • B.颜色与尺寸
  • C.温度与湿度
  • D.图像与文本

答案：A。状态向量描述的是系统在某一时刻的动态属性，最常见的就是位置和速度。温度温度、图像文本都不是卡尔曼滤波标准建模的“状态”。登山者最关心自己在哪里、移动得多快，这个直觉直接对应状态向量。

Q3. 观测矩阵 H 在卡尔曼滤波中的作用是什么？

单选题 · mid

  • A.放大传感器的噪声
  • B.将状态向量映射到观测空间← 正确答案
  • C.直接计算卡尔曼增益
  • D.外推下一时刻的状态

答案：B。H 回答“我们能测到什么”。如果状态是位置和速度，而传感器只能测位置，H 就是 \([1, 0]\)，把位置分量抽出来与读数比较。它不是噪声放大器，也不负责增益计算。

Q4. 当测量噪声协方差 R 增大时，卡尔曼增益 K 通常会怎样变化？

单选题 · mid

  • A.卡尔曼增益明显增大
  • B.卡尔曼增益明显减小← 正确答案
  • C.卡尔曼增益保持不变
  • D.卡尔曼增益先大后小

答案：B。由 \(K=P/(P+R)\) 可知，R 越大，K 越小，意味着测量越不可信，滤波就越依赖预测。这就好比 GPS 信号剧烈跳动时，登山者会更相信自己的步伐感觉。

Q5. 标准卡尔曼滤波成立的前提假设有哪些？

多选题 · mid

  • A.运动模型为线性系统← 正确答案
  • B.噪声服从高斯分布← 正确答案
  • C.噪声序列为白噪声← 正确答案
  • D.状态向量必须二维

答案：ABC。经典 KF 要求系统是线性的、噪声是高斯白噪声，这样才能用均值和协方差完整描述状态。状态向量维度没有限制，可以是二维、三维甚至更高，因此 D 错误。

Q6. 扩展卡尔曼滤波 EKF 的核心思想是什么？

单选题 · mid

  • A.对非线性模型做全局线性化
  • B.在当前估计点做一阶泰勒局部线性化← 正确答案
  • C.完全放弃高斯噪声假设
  • D.用非线性函数直接替换所有矩阵

答案：B。EKF 把非线性函数在当前估计点附近展开，用雅可比矩阵代替原来的 F 和 H。它只在局部近似，不做全局线性化，也没有放弃高斯假设。就像看脚下的弯路，只取最直的那一小段。

Q7. UKF 与传统 EKF 在解决非线性问题上的主要区别是什么？

单选题 · hard

  • A.EKF 使用 Sigma 点采样
  • B.UKF 用确定性采样绕过线性化← 正确答案
  • C.EKF 估计精度总是更高
  • D.UKF 完全不需要噪声模型

答案：B。UKF 用 UT 变换在均值周围生成 Sigma 点，让每个点直接穿过非线性函数再加权统计，避开雅可比求导。EKF 才是局部线性化；UKF 仍然需要噪声模型；EKF 在弱非线性下精度未必更低，因此 C 和 D 都错。

Q8. 在 GPS-IMU 组合导航中，数据融合前通常需要做哪些预处理？

多选题 · hard

  • A.坐标系统一对齐← 正确答案
  • B.时间戳采样同步← 正确答案
  • C.异常测量值剔除← 正确答案
  • D.用神经网络替代滤波

答案：ABC。GPS 和 IMU 在不同坐标系工作，必须先对齐到统一的导航系；两者采样频率不同，必须时间同步；粗差跳变会破坏滤波器，需先剔除。神经网路替代滤波是另一类思路，不属于“预处理”也不是必须步骤。

Q9. 若 GPS 出现一次性粗差跳变，工程上最妥当的处理方式是？

单选题 · hard

  • A.增大该次测量的噪声 R 或剔除该观测← 正确答案
  • B.永远信任 GPS 读数并完全覆盖预测
  • C.增大过程噪声 Q 让滤波器强行跟随
  • D.将协方差矩阵 P 初始化为全零

答案：A。粗差不符合高斯噪声假设，若不处理会把估计拉飞。最稳妥的办法是检测创新项异常偏大时提高 R 或直接丢弃该观测。盲目信任 GPS 会带偏系统，增大 Q 会破坏模型置信度，设 P 为零则让滤波再也无法修正。

Q10. 哪些原因可能导致卡尔曼滤波发散？

多选题 · hard

  • A.过程噪声 Q 设置偏小← 正确答案
  • B.协方差矩阵 P 失去对称正定← 正确答案
  • C.运动模型与实际系统严重偏离← 正确答案
  • D.卡尔曼增益恒等于 1

答案：ABC。Q 太小会让滤波器过度自信，之后难以修正；P 因舍入误差失去对称正定会导致增益计算错误；模型严重失配时估计会系统性偏离。增益恒等于 1 说明完全信任测量，虽然危险但不是发散的根本原因，且现实中很少恒定。