信号采样基本概念 —— 6. 卡尔曼滤波：从预测到更新的动态最优估计

1. 卡尔曼滤波：动态系统的"最佳拍档"

第一次听说卡尔曼滤波时，我正被自动驾驶项目中的传感器噪声搞得焦头烂额。GPS定位数据像喝醉酒的蜜蜂一样乱窜，雷达测距结果时不时抽风。直到同事扔给我一篇论文："试试这个，能让你的轨迹平滑得像德芙巧克力"。这就是我与卡尔曼滤波(Rudolf E. Kálmán在1960年提出的算法)的初次邂逅。

卡尔曼滤波本质上是个"动态调解员"。想象你在玩真人CS，既要根据队友报告的敌人位置（带误差的观测值），又要结合敌人上次移动方向和速度（系统预测）。卡尔曼滤波就是帮你智能权衡这两方面信息的算法，最终给出最可能的位置估计。它通过递归计算，只需要保留前一时刻的状态，就能实现最优估计，这对内存有限的嵌入式系统简直是福音。

在实际工程中，我常用它处理三类问题：

• 状态估计：如无人机姿态解算时融合陀螺仪和加速度计数据
• 信号去噪：在ECG医疗设备中滤除肌电干扰
• 预测控制：工业机械臂运动轨迹的前瞻性补偿

去年给物流AGV做定位系统时，单纯用编码器累计误差达到每10米漂移15厘米，加上卡尔曼滤波后降至3厘米内。这让我深刻体会到：好的算法不是增加计算量，而是用数学智慧减少不确定性。

2. 预测-更新：卡尔曼滤波的"呼吸节奏"

2.1 预测步骤：系统模型的"时间魔法"

预测阶段就像下棋时的"向前看三步"。以自动驾驶为例，假设t-1时刻车辆状态（位置和速度）为：

python复制x_t-1 = [position_t-1, velocity_t-1]^T

通过状态转移矩阵F（物理定律的数学表达）：

python复制F = [[1, Δt],
     [0,  1]]  # Δt为采样间隔

可以预测t时刻状态：

python复制x'_t = F @ x_t-1

但现实世界充满意外——突然的横风、轮胎打滑等。这些未被建模的因素用过程噪声Q表示。我曾用无人机测试，当Q设为diag([0.1,0.1])时，强风环境下预测误差比diag([0.01,0.01])时小37%。这印证了：合适的噪声模型比精确的确定性模型更重要。

2.2 更新步骤：传感器数据的"纠偏时刻"

当GPS新数据到来时（观测值z_t），首先要通过观测矩阵H将其映射到