{
  "id": "kalman-filter",
  "title": "卡尔曼滤波器",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "一种递归算法，利用含噪观测估计动力系统随时间变化的状态，并跟踪其不确定性。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "卡尔曼滤波",
    "线性二次估计"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/kalman-filter/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/kalman-filter/",
      "json": "https://aiwiki.page/en/kalman-filter.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "卡尔曼滤波器是一种递归方法，用于估计随时间变化、但无法直接观测或无法无误差测量的量。它将描述系统演化的数学模型与陆续获得的观测相结合，同时给出状态估计及其不确定性的度量。利用雷达测量来估计位置和速度就是一个常见例子：模型预测物体如何运动，而每次新的观测都会修正这一预测。\n\n对于初始不确定性和噪声均服从高斯分布的线性系统，卡尔曼滤波器能够精确计算给定观测条件下状态的条件概率分布。即使放宽对噪声的假设，只要所需的二阶矩以及独立性或不相关性条件成立，它在所有可表示为观测值仿射函数的估计器中仍然是最优的。当测量数据持续到来，而存储或重新处理全部历史观测并不现实时，其递归结构尤为有用。\n\n该方法的现代形式于1960年提出，此后成为导航、跟踪、控制工程和时间序列分析的核心方法。它的意义并不限于一种算法：它还提供了一个框架，用于理解不确定性的传播、融合不完善的信息、通过预测误差诊断模型，以及为非线性和高维系统构建近似估计器。"
    },
    {
      "heading": "历史发展与思想背景",
      "text": "卡尔曼滤波器源于根据不完美观测估计未知量的悠久传统。19 世纪初，天文轨道测定推动了最小二乘法的确立。这些方法通常根据收集到的一批测量数据估计固定参数或轨迹。到了 20 世纪，通信与控制问题日益要求在数据到来时即时更新估计，而此时系统本身往往也在变化。\n\n一个重要的先驱是维纳滤波器，它与诺伯特·维纳及平稳随机信号理论密切相关。经典维纳滤波利用相关函数和频域方法描述最优线性估计，尤其适用于对平稳过程进行长时间观测的情形。后来出现的状态空间表述则通过有限维内部状态来表示系统，从而能够处理非平稳动态特性、显式随时间变化的参数，并进行递归计算。\n\n鲁道夫·E. 卡尔曼在 1960 年发表的论文《线性滤波与预测问题的新方法》中提出了离散时间形式。其核心创新在于，通过状态估计及其误差协方差来表述滤波，并用矩阵递推更新二者。该算法不必每次都针对全部历史测量数据重新求解权重，而是将与下一次估计有关的信息传递下去。由此得到的方程与当时新兴的数字计算机及控制理论中的状态空间方法自然契合。\n\n1961 年，卡尔曼与理查德·S. 布西提出了相应的连续时间形式。他们的工作将最优估计与描述误差协方差的微分方程联系起来，并确立了滤波与最优控制之间的对应关系。彼得·斯沃林在 20 世纪 50 年代末关于跟踪和轨道测定的研究中，也提出了密切相关的递归估计思想。这些贡献产生于工程数学从频域描述转向基于状态的方法这一更广泛的变革之中。\n\n理论发展的同时，实际应用也在推进。美国国家航空航天局艾姆斯研究中心的斯坦利·F. 施密特及其同事研究了卡尔曼滤波在导航中的应用，并开发了适用于非线性系统的方法。卡尔曼滤波在航空航天导航中逐渐发挥重要作用，其中包括与阿波罗计划相关的工作。它的推广不仅依赖于理论上的最优性，还依赖于可实际实现的数值方法、符合实际的误差模型，以及融合不同特性仪器所提供观测数据的能力。\n\n此后，相关术语的含义有所扩展。“卡尔曼滤波器”有时狭义地指精确的线性递推算法，有时则被非正式地用来泛指更大的一类递归状态估计器。扩展卡尔曼滤波、无迹卡尔曼滤波和集合卡尔曼滤波等方法保留了其预测与校正架构的某些方面，但通常并不具备原始线性高斯滤波器的全部精确性和最优性。"
    },
    {
      "heading": "状态空间模型与假设",
      "text": "标准离散时间滤波以状态空间模型为基础。状态向量 \\(x_k\\in\\mathbb{R}^n\\) 包含描述系统在时间步 \\(k\\) 的状态所需的各个量。观测向量 \\(z_k\\in\\mathbb{R}^m\\) 包含可用的测量值。一种常见模型为\n\n\\[x_k=F_kx_{k-1}+B_ku_k+w_k, \\qquad z_k=H_kx_k+v_k.\\]\n\n其中，\\(F_k\\) 是状态转移矩阵，\\(u_k\\) 是已知输入，\\(B_k\\) 将该输入映射到状态空间，\\(H_k\\) 则将状态映射到测量空间。过程噪声 \\(w_k\\) 表示不可预测的变化或未建模的动态行为；测量噪声 \\(v_k\\) 表示观测误差。\n\n标准假设是噪声均值为零，且协方差矩阵已知，即\n\n\\[\\operatorname{Cov}(w_k)=Q_k, \\qquad \\operatorname{Cov}(v_k)=R_k.\\]\n\n假定不同时间步的噪声不相关，过程噪声与测量噪声互不相关，且两者均与初始估计误差不相关。在高斯框架下，这些条件通常以统计独立性来表述。对于时间上相关或彼此相关的噪声，需要修改方程或扩充状态；基本递推公式并不自动涵盖这些情况。\n\n初始信息由估计值 \\(\\hat x_{0|0}\\) 和误差协方差 \\(P_{0|0}\\) 表示。符号 \\(\\hat x_{k|j}\\) 表示利用截至时刻 \\(j\\) 的观测，对时刻 \\(k\\) 的状态所作的估计。在高斯假设下，初始状态服从多元正态分布，其均值和协方差即可完全确定其不确定性。\n\n一个简单的运动模型可以说明物理假设如何决定这些矩阵。对于一维位置和速度，\n\n\\[x_k= \\begin{bmatrix} p_k\\\\ \\dot p_k \\end{bmatrix}, \\qquad F_k= \\begin{bmatrix} 1&\\Delta t\\\\ 0&1 \\end{bmatrix}, \\qquad H_k= \\begin{bmatrix} 1&0 \\end{bmatrix}.\\]\n\n测量直接观测的是位置，而非速度。通过一系列位置测量和运动模型，便可推断速度。\n\n过程噪声协方差取决于随机驱动的定义方式。如果每个时间间隔内均作用着一个恒定的随机加速度，且其方差为 \\(\\sigma_a^2\\)，则\n\n\\[Q_k=\\sigma_a^2 \\begin{bmatrix} \\Delta t^4/4&\\Delta t^3/2\\\\ \\Delta t^3/2&\\Delta t^2 \\end{bmatrix}.\\]\n\n相比之下，谱强度为 \\(q\\) 的连续白噪声加速度给出\n\n\\[Q_k=q \\begin{bmatrix} \\Delta t^3/3&\\Delta t^2/2\\\\ \\Delta t^2/2&\\Delta t \\end{bmatrix}.\\]\n\n这些矩阵描述的是不同的随机模型。当采样间隔发生变化，或在不同实现之间移用协方差参数时，区分这些模型尤为重要。"
    },
    {
      "heading": "预测、新息与观测校正",
      "text": "卡尔曼滤波的每个循环都包含预测阶段和观测更新阶段。在预测阶段，利用系统动力学将上一时刻的估计推进到当前时刻：\n\n\\[\\hat x_{k|k-1} = F_k\\hat x_{k-1|k-1}+B_ku_k,\\]\n\n\\[P_{k|k-1} = F_kP_{k-1|k-1}F_k^\\mathsf{T}+Q_k.\\]\n\n上标 \\(\\mathsf{T}\\) 表示矩阵转置。第一个方程预测状态，第二个方程传播不确定性。与 \\(F_k\\) 相乘，使已有的不确定性随系统动力学传播；而 \\(Q_k\\) 则加入这一时间间隔内引入的不确定性。\n\n当观测到来时，滤波器计算新息，即一步观测预测误差：\n\n\\[\\nu_k=z_k-H_k\\hat x_{k|k-1}.\\]\n\n其协方差为\n\n\\[S_k=H_kP_{k|k-1}H_k^\\mathsf{T}+R_k.\\]\n\n新息并不只是传感器误差。它同时包含预测状态的不确定性和观测的不确定性。因此，同样大小的数值偏差，在一种情况下可能不足为奇，在另一种情况下却可能在统计意义上显得异常。\n\n卡尔曼增益决定新息如何改变状态估计：\n\n\\[K_k=P_{k|k-1}H_k^\\mathsf{T}S_k^{-1},\\]\n\n\\[\\hat x_{k|k} = \\hat x_{k|k-1}+K_k\\nu_k.\\]\n\n增益将观测坐标中的偏差转换为状态坐标中的校正量。互协方差使得对一个量的观测能够用于更新另一个量。在位置—速度的例子中，位置观测可以校正速度，因为位置与速度的预测误差存在相关性。\n\n采用最优增益时，协方差更新可写为\n\n\\[P_{k|k} = (I-K_kH_k)P_{k|k-1},\\]\n\n其中，\\(I\\) 是单位矩阵。约瑟夫更新形式与上式在代数上等价，但具有更好的数值性质：\n\n\\[P_{k|k} = (I-K_kH_k)P_{k|k-1}(I-K_kH_k)^\\mathsf{T} + K_kR_kK_k^\\mathsf{T}.\\]\n\n对于被直接观测的标量状态，这一机制可简化为按不确定性加权的平均。如果预测方差为 \\(4\\)，观测方差为 \\(9\\)，则 \\(K=4/13\\)。当预测值为 \\(10\\)、观测值为 \\(13\\) 时，得到\n\n\\[\\hat x^+=10+\\frac{4}{13}(13-10) \\approx10.923, \\qquad P^+=\\frac{36}{13}.\\]\n\n由于观测的精度较低，估计值更接近预测值。\n\n这一递推过程只需要最新的状态估计及其协方差，而不需要完整的观测历史。对于给定的线性模型和预先确定的观测可用时间安排，协方差和增益不依赖于实际观测到的数值，因此可以提前计算。相比之下，状态估计则通过不断累积的新息序列，受到每一次观测的影响。"
    },
    {
      "heading": "统计解释与最优性",
      "text": "在线性高斯假设下，卡尔曼滤波是贝叶斯推断的一种精确应用。预测步骤在下一时刻的观测到来之前，构建该时刻的状态分布。测量更新将这一先验分布与测量的似然函数相结合，得到后验分布。线性变换与求和运算保持高斯性，因此每一步的分布都仍可用均值和协方差表示。\n\n更新后的均值就是条件期望\n\n\\[\\hat x_{k|k} = \\operatorname{E}[x_k\\mid z_1,\\ldots,z_k].\\]\n\n在所有基于相同观测的估计量中，条件期望使估计误差平方的期望最小。因此，在线性高斯模型中，卡尔曼估计是最小均方误差估计，而不只是在受限的线性估计量类别中最优。对于非奇异高斯分布，后验均值也与后验众数一致。\n\n增益也可以在不假设高斯分布的情况下推导出来。用任意增益 \\(K\\) 表示更新后的误差，其协方差为\n\n\\[P^+(K) = (I-KH)P^-(I-KH)^\\mathsf{T}+KRK^\\mathsf{T}.\\]\n\n当 \\(S=HP^-H^\\mathsf{T}+R\\) 正定时，使该协方差最小的增益为 \\(K_*=P^-H^\\mathsf{T}S^{-1}\\)，且有\n\n\\[P^+(K) = P^+(K_*)+(K-K_*)S(K-K_*)^\\mathsf{T}.\\]\n\n附加项为半正定矩阵。这就确立了在给定二阶统计模型下，该估计在仿射估计量中的最优性。当噪声非高斯时，非线性估计量可能表现得更好，而且估计得到的均值和协方差不再能描述完整的条件分布。\n\n从几何角度看，可以用平方可积随机变量空间中的正交投影来解释这一过程。最优线性估计是状态在可用观测所生成的仿射空间上的投影。其误差与构建该估计所用的信息在协方差意义下正交。新息代表新测量中无法由以往测量预测的部分。\n\n对于设定正确的模型，新息的均值为零，协方差为 \\(S_k\\)，且不同时刻的新息互不相关。在高斯情形下，它们还相互独立。这些性质既解释了递归计算为何高效，也说明了基于新息进行诊断的重要性。\n\n最优性始终是相对于所假定的模型和信息集而言的。错误的动力学模型、有偏的传感器、未知的相关性或不正确的初始分布，都可能使所声称的不确定性和性能失效。此外，内部协方差 \\(P_{k|k}\\) 只有在模型假设成立时，才等于实际的估计误差协方差；它并不是经独立测量得出的准确性保证。如果模型遗漏了某个持续存在的误差源，滤波器即使报告很小的协方差，也可能仍然存在系统性偏差。"
    },
    {
      "heading": "可观测性、协方差演化与连续时间",
      "text": "能否估计某个状态，取决于观测中是否包含有关该状态的信息。对于状态维数为 \\(n\\) 的时不变系统，可观测性由下列矩阵的秩刻画：\n\n\\[\\mathcal O= \\begin{bmatrix} H\\\\ HF\\\\ HF^2\\\\ \\vdots\\\\ HF^{n-1} \\end{bmatrix}.\\]\n\n当该矩阵的秩为 \\(n\\) 时，系统可观测。并不需要直接测量每一个状态分量。多次位置测量可以揭示速度；但如果两个隐藏量对每次观测的影响都无法区分，通常就无法将它们分别估计出来。\n\n可观测性关注的是无噪声模型的结构，而不是利用含噪数据所能达到的数值精度。一个系统即使可观测，也可能对某些状态组合仅提供极为有限的信息。此时，测量的几何配置、采样间隔和噪声水平决定了估计问题是否具有良好的数值条件。可观测性也取决于考察的时间跨度：较短的观测序列可能提供不了多少信息，而在更长的时间内，这些信息便可能显现出来。\n\n协方差递推是一个离散黎卡提方程。当各矩阵为常数时，令 \\(P_k^-=P_{k|k-1}\\)。将更新与预测合并，可得\n\n\\[P_{k+1}^- = F\\left[ P_k^- - P_k^-H^\\mathsf{T} (HP_k^-H^\\mathsf{T}+R)^{-1} HP_k^- \\right]F^\\mathsf{T}+Q.\\]\n\n在标准的可检测性和可稳定性条件下，这一递推会收敛到一个具有稳定化作用的稳态解。可检测性允许存在不可观测模态，只要这些模态在动力学上稳定即可。由 \\(F\\) 与 \\(Q\\) 的一个因子组成的矩阵对的可稳定性，则是关于过程不确定性如何进入系统动力学的一个相关条件。这些条件比要求每个模态都可观测、每个状态方向都受到过程噪声作用更为宽松。\n\n在稳态下，增益变为常数。此时，估计器可以实现为一个固定增益的动态系统。在相应的稳定化解下，其误差动态是稳定的。然而，当传感器的可用性、采样周期或运行条件发生变化时，稳态增益并不一定仍然适用。\n\n连续时间卡尔曼–布西滤波器采用如下形式的随机微分方程模型：\n\n\\[dx=Ax\\,dt+G\\,dW_t, \\qquad dy=Hx\\,dt+D\\,dV_t,\\]\n\n其中，\\(W_t\\) 和 \\(V_t\\) 是相互独立的标准维纳过程，且 \\(R=DD^\\mathsf{T}\\) 为正定矩阵。其方程为\n\n\\[d\\hat x = A\\hat x\\,dt+ PH^\\mathsf{T}R^{-1}(dy-H\\hat x\\,dt),\\]\n\n\\[\\dot P = AP+PA^\\mathsf{T}+GG^\\mathsf{T} - PH^\\mathsf{T}R^{-1}HP.\\]\n\n工程中另一种常见配置是系统动力学连续、测量离散。在这种情况下，状态和协方差在两次观测之间连续传播，每当测量到达时，再进行一次离散更新。"
    },
    {
      "heading": "数值实现与计算结构",
      "text": "简洁的协方差方程可能掩盖严重的数值问题。有效的协方差矩阵必须对称且半正定。在有限精度下反复进行算术运算，可能逐渐破坏这些性质，尤其是在各状态分量的尺度差异很大，或某些方向上的确定性远高于其他方向时。矩阵的病态性可能导致不合理的增益、计算出的方差为负，或矩阵分解失败。\n\n表达式 \\(S_k^{-1}\\) 通常只是数学记号，并不意味着实现时要显式计算逆矩阵。实际实现中会转而求解\n\n\\[S_kK_k^\\mathsf{T} = H_kP_{k|k-1}.\\]\n\n当 \\(S_k\\) 为正定矩阵时，Cholesky分解提供了求解这一方程组的高效方法。避免显式求逆可以减少不必要的计算，通常也能改善数值稳定性。Joseph 形式的协方差更新也很有用，因为其中两项都具有协方差贡献项的结构，可以减轻简化更新公式中的相消问题。\n\n平方根滤波器更进一步，递推的是协方差的因子，例如 \\(P=LL^\\mathsf{T}\\)，而不是 \\(P\\) 本身。正交变换和QR分解可以在保留因子分解结构的同时，合并各项不确定性贡献。另一类方法则递推一个单位三角因子和一个对角因子。这些方法适用于运行时间长、可靠性要求严格或不确定性尺度跨度很大的应用。\n\n信息形式采用精度矩阵 \\(Y=P^{-1}\\) 和信息向量 \\(\\eta=Y\\hat x\\)。对于 \\(R\\) 非奇异的独立线性测量，其更新具有可加性：\n\n\\[Y^+=Y^-+H^\\mathsf{T}R^{-1}H,\\]\n\n\\[\\eta^+=\\eta^-+H^\\mathsf{T}R^{-1}z.\\]\n\n当许多独立测量为同一状态提供信息时，这种结构很方便。不过，在信息形式下进行预测可能不那么直接，而且奇异协方差需要特殊处理。因此，信息滤波是一种替代表示形式，而不是在所有情况下都更优的算法。\n\n对于稠密矩阵，存储协方差需要 \\(n^2\\) 量级的内存，直接进行预测通常需要 \\(n^3\\) 量级的计算。测量处理的计算量还取决于测量维数 \\(m\\)，其中包括对 \\(m\\times m\\) 的新息协方差矩阵进行分解。利用稀疏动力学结构、低秩不确定性、序贯处理以及具体问题的结构，可以显著降低这些开销。\n\n独立的测量分量可以逐个处理，而不必将它们堆叠起来一次性更新。对于满足相应独立性假设的线性模型，在精确算术下，两种方式的结果等价。相关的测量分量则必须先联合处理，或经过适当变换。状态缩放同样重要：如果位置以米表示，而极小的角度偏差以弧度表示，那么除非数值表示考虑了两者的量级差异，否则协方差矩阵可能会呈现病态。"
    },
    {
      "heading": "滤波、预测、平滑与批量估计",
      "text": "滤波利用截至当前时刻可用的观测来估计当前状态。预测在相应观测到来之前估计未来状态。平滑则利用后来采集的观测来估计较早时刻的状态。这些任务所依据的条件信息集各不相同：\n\n\\[\\text{filtering: }\\hat x_{k|k}, \\qquad \\text{prediction: }\\hat x_{k+\\ell|k}, \\qquad \\text{smoothing: }\\hat x_{k|N},\\quad N>k.\\]\n\n这种区别在实际运行中十分重要。导航系统必须实时依据滤波估计采取行动，而在重建飞行轨迹时，则可以利用较晚时刻的测量来改进对先前位置的估计。\n\nRauch–Tung–Striebel 平滑器是一种广泛使用的固定区间卡尔曼平滑器。它先正向执行卡尔曼滤波，直至时刻 \\(N\\)，然后再反向递推。定义\n\n\\[J_k = P_{k|k}F_{k+1}^\\mathsf{T} P_{k+1|k}^{-1}.\\]\n\n平滑后的状态估计与协方差满足\n\n\\[\\hat x_{k|N} = \\hat x_{k|k} + J_k(\\hat x_{k+1|N}-\\hat x_{k+1|k}),\\]\n\n\\[P_{k|N} = P_{k|k} + J_k(P_{k+1|N}-P_{k+1|k})J_k^\\mathsf{T}.\\]\n\n反向修正利用下一时刻的平滑状态估计与此前对该状态的预测之间的差异。跨时刻协方差决定了这一差异如何修正前一时刻的状态。在正确的线性高斯模型下，增加作为条件的观测不会使条件协方差增大。\n\n固定滞后平滑将估计延迟预定的步数，而不必等待完整的观测记录，从而在延迟与精度之间取得折中。定点平滑则随着新观测的到来，持续跟踪某个特定过去状态的不确定性。延迟测量和乱序测量是相关问题，但处理时需要谨慎：描述较早状态的测量通常不能直接当作当前状态的测量来使用。\n\n同一个线性高斯估计问题也可以表述为针对完整状态轨迹的批量优化问题。假设协方差矩阵均为正定矩阵，并为清晰起见省略固定输入，目标函数为\n\n\\[\\begin{aligned} \\mathcal J(x_{0:N})={}& \\|x_0-\\mu_0\\|_{P_0^{-1}}^2\\\\ &+\\sum_{k=1}^{N} \\|x_k-F_kx_{k-1}\\|_{Q_k^{-1}}^2\\\\ &+\\sum_{k=1}^{N} \\|z_k-H_kx_k\\|_{R_k^{-1}}^2, \\end{aligned}\\]\n\n其中 \\(\\|a\\|_M^2=a^\\mathsf{T}Ma\\)。最小化该目标函数可得到联合后验众数；在高斯情形下，它也等于联合后验均值。\n\n由此得到的正规方程具有块三对角结构，因为每个状态在动力学上只与相邻时刻的状态相互关联。滤波和平滑通过递归消元利用这一结构。这一联系解释了为什么卡尔曼方法与稀疏轨迹优化可以采用不同的计算组织方式，求解等价的问题。它也阐明了一个重要区别：最终时刻的滤波状态估计使用了截至该时刻的全部观测，但较早时刻的滤波状态估计并未纳入各自时刻之后采集的观测。"
    },
    {
      "heading": "非线性与高维扩展",
      "text": "许多系统的动力学或观测具有非线性：\n\n\\[x_k=f_k(x_{k-1},u_k)+w_k, \\qquad z_k=h_k(x_k)+v_k.\\]\n\n即使噪声服从高斯分布，经过非线性变换后，所得分布通常也不再是高斯分布。因此，精确的递归贝叶斯估计所需的信息不止均值和协方差。卡尔曼滤波的各类扩展方法通过近似分布、非线性变换或两者，以牺牲精确性为代价，使表示形式保持易于处理。\n\n扩展卡尔曼滤波器在当前估计值附近对函数进行线性化。它通过 \\(f_k\\) 传播均值，并在协方差预测和测量校正中使用 \\(f_k\\) 和 \\(h_k\\) 的雅可比矩阵。当不确定性充分集中于局部区域，且相关区域内的非线性程度适中时，这种一阶近似十分有效。较强的曲率、较大的初始误差或存在歧义的测量，都可能使近似失准，并导致估计结果过于自信。\n\n无迹卡尔曼滤波器传播一组按确定性规则选取的加权采样点，通常称为西格玛点。对于维数为 \\(n\\) 的状态，一种常见构造使用 \\(2n+1\\) 个点来表征均值和协方差。让这些点通过非线性函数，即可近似计算变换后的矩，而无须显式求导。其精度取决于西格玛点的选取规则、参数选择以及所近似的分布；它并非在所有情况下都优于线性化方法。\n\n集合卡尔曼滤波器用有限个模拟状态组成的集合来表示不确定性。集合统计量可用于近似计算均值、协方差以及状态与观测之间的关系。这一方法在20世纪90年代得到重要发展，其中包括盖尔·埃文森于1994年提出的方案，随后在地球物理数据同化中发挥了重要作用。在这类应用中，状态维数可能过高，以致难以处理稠密协方差矩阵。当集合包含 \\(M\\) 个成员时，样本协方差的秩至多为 \\(M-1\\)。局地化用于抑制不可靠的远距离样本相关性，而膨胀则通过增大集合的离散程度，补偿各种因素造成的离散程度不足。\n\n其他近似贝叶斯方法则用于处理单个高斯分布无法充分表示的分布。粒子滤波使用加权随机样本，能够表示多个模态，但在高维问题中可能需要极其庞大的样本集。高斯混合滤波器保留多个高斯分量，以更高的计算复杂度换取更灵活的分布表示能力。\n\n一些非线性状态还受到几何约束。例如，姿态可以用满足单位范数约束的四元数表示，也可以表示为旋转群中的元素。若将其分量视为不受约束的欧几里得变量，可能导致不一致的运算，并产生具有误导性的协方差。误差状态滤波和基于流形的滤波方法则采用适当的局部坐标来表示微小的估计误差。这些方法的线性化方式和不确定性表示约定必须与状态的几何结构保持一致。"
    },
    {
      "heading": "模型辨识、调参与一致性诊断",
      "text": "矩阵 \\(Q_k\\) 和 \\(R_k\\) 决定了如何在系统模型与观测之间分配不确定性。测量协方差通常可以依据仪器的特性评估和校准来确定。过程协方差往往更依赖具体模型：它可能表征未建模的加速度、物理参数的变化、离散化误差，或标称动力学中忽略的扰动。因此，其数值只有结合所选状态、单位和采样模型才有意义。\n\n增大过程协方差通常会增加预测的不确定性，使滤波器对观测的响应更灵敏。增大测量协方差通常会减小这些观测的影响。但这些趋势不能替代物理模型或统计模型。如果选择协方差仅仅是为了让输出在视觉上更平滑，就可能掩盖系统性误差；而不同的参数组合也可能产生相似的输出，却对应不同的不确定性。\n\n新息是重要的诊断依据。归一化新息平方为\n\n\\[\\epsilon_k=\\nu_k^\\mathsf{T}S_k^{-1}\\nu_k.\\]\n\n对于设定正确且 \\(S_k\\) 非奇异的线性高斯模型，该统计量服从具有 \\(m\\) 个自由度的卡方分布，其中 \\(m\\) 为观测维数。其期望值为 \\(m\\)。该值持续偏大，可能表明不确定性被低估、存在异常值、动力学模型不正确，或存在偏差。该值持续偏小，则可能表明不确定性被高估，或存在其他形式的失配。相继新息之间的相关性还可进一步表明，仍有可预测的结构尚未纳入模型。\n\n当能够通过独立途径获得真实状态时，可以考察归一化估计误差平方：\n\n\\[e_k^\\mathsf{T}P_{k|k}^{-1}e_k, \\qquad e_k=x_k-\\hat x_{k|k}.\\]\n\n当 \\(P_{k|k}\\) 非奇异时，在高斯假设下，其对应的参考分布具有 \\(n\\) 个自由度。这项诊断常用于仿真研究，但在常规运行中，由于真实状态未知，通常无法计算。\n\n未知参数可以通过最大似然估计来估计。在高斯模型中，新息序列给出的对数似然为\n\n\\[\\log L = -\\frac12\\sum_k \\left[ m_k\\log(2\\pi) +\\log\\det S_k +\\nu_k^\\mathsf{T}S_k^{-1}\\nu_k \\right].\\]\n\n期望最大化算法也可以利用平滑后的状态矩来估计线性动力学模型的参数。参数的可辨识性仍然十分重要：观测所含的信息可能不足以区分多个不确定性来源。\n\n异常值剔除和自适应协方差方案会改变基本估计器及其统计解释。对于偏差，也可以转而在模型中显式表示，例如将缓慢变化的传感器偏置加入状态。只有当观测能够区分偏置与物理状态时，这种状态增广才有帮助。如果只有一个位置传感器，且没有独立参考，那么该传感器中未知的恒定偏置就说明，一个看似简单的附加参数也可能造成不可观测的歧义。"
    },
    {
      "heading": "应用及其与控制和数据同化的联系",
      "text": "导航与跟踪是卡尔曼滤波器的重要应用领域，因为这类问题天然涉及不可直接观测的运动状态和含噪观测。雷达测量提供的可能是距离和方位角，而非笛卡尔坐标位置；卫星导航接收机提供与位置或距离有关的信息；惯性仪器则测量加速度和角速度。传感器融合在统一的动力学模型中整合这些互补的测量信息。高频惯性递推可以提供短期运动信息，而外部观测则约束累积漂移。\n\n实践中的难点往往不在于增益公式，而在于测量模型。不同传感器的更新频率、坐标系、延迟和误差特性各不相同。时间戳早于当前时刻的位置测量对应的是过去的状态。源自同一来源的测量可能具有相关误差。将它们视为相互独立，可能导致信息被重复计入，从而得出不合理地偏小的协方差。跟踪多个物体还会引入一个独立的问题：判断每条观测属于哪个目标；卡尔曼滤波器假定所提供的观测模型和关联关系已经恰当。\n\n在控制理论中，估计通过线性二次高斯控制与反馈相结合。对于模型设定恰当、具有高斯扰动且期望代价为二次型的线性系统，分离原理允许分别设计估计器和状态反馈控制器。卡尔曼滤波器为线性二次调节器提供状态估计。这一结论依赖于经典假设，包括必要的稳定性条件；它并不意味着估计与控制在任何情况下都能独立优化。\n\n在计量经济学和时间序列分析中，状态空间模型用于描述不可观测的趋势、季节性分量、随时间变化的回归系数以及潜在因子。卡尔曼滤波器计算似然，并在观测到来时更新这些隐含量。例如，局部水平模型将观测序列表示为对一个潜在随机游走过程的含噪测量。对于观测缺失的情况，可以只执行预测，跳过无法进行的测量更新，也可以仅利用已观测到的分量进行更新。\n\n环境数据同化将相关方法应用于大气、海洋和水文模型。预报动力学推动物理状态向前演变，观测则对其施加约束。极高的状态维数使经典的稠密协方差递推在实际计算中难以实现，因此催生了集合方法和降阶方法。这些方法的性能取决于如何表示观测误差、模型误差、采样局限和空间相关性。\n\n同样的估计结构也见于信号处理、工业监测以及缓慢变化的物理参数估计。在这些应用中，状态的选择决定滤波器能够记住什么，动力学决定信息如何随时间延续，而观测模型则决定数据能够揭示哪些隐含量。各领域特有的建模体现在这些组成部分中，而不是通过改变基本的线性递推来实现。"
    }
  ],
  "links": [
    "probability-distribution",
    "time-series",
    "least-squares",
    "wiener-filter",
    "norbert-wiener",
    "state-space-model",
    "matrix",
    "covariance-matrix",
    "statistical-independence",
    "multivariate-normal-distribution",
    "matrix-transpose",
    "identity-matrix",
    "bayesian-inference",
    "prior-distribution",
    "likelihood-function",
    "posterior-distribution",
    "conditional-expectation",
    "mean-squared-error",
    "random-variable",
    "orthogonal-projection",
    "observability",
    "stochastic-differential-equation",
    "wiener-process",
    "inverse-matrix",
    "cholesky-decomposition",
    "numerical-stability",
    "qr-decomposition",
    "jacobian-matrix",
    "quaternion",
    "calibration",
    "degrees-of-freedom",
    "chi-squared-distribution",
    "maximum-likelihood-estimation",
    "expectation-maximization-algorithm",
    "sensor-fusion",
    "econometrics",
    "random-walk"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}