卡尔曼滤波

概述

卡尔曼滤波（Kalman Filter, KF）是一种递归式的最优状态估计算法，由 Rudolf E. Kalman 于 1960 年提出。该方法通过将系统的动态模型与带有噪声的观测数据相结合，以最小均方误差（MMSE）准则估计线性动态系统的真实状态。作为现代控制理论和信号处理的基石，卡尔曼滤波成功解决了非平稳过程和多变量系统的估计问题，广泛应用于从阿波罗登月导航到现代机器人 SLAM（同时定位与建图）及自动驾驶传感器融合等关键领域。

关键内容

1. 历史背景与范式转换

在卡尔曼滤波提出之前，信号处理领域的主流方法是诺伯特·维纳（Norbert Wiener）提出的Wiener 滤波。然而，Wiener 滤波存在显著局限：它仅适用于平稳随机过程，要求无限长的数据记录，且需在频率域求解复杂的 Wiener-Hopf 积分方程，难以处理多变量系统。随着太空竞赛的开启和数字计算机的出现，航天器导航急需一种能处理非平稳轨迹、利用有限数据并进行实时递归计算的算法。

Kalman 的突破性贡献在于将滤波问题从频率域转移到了时间域的状态空间。这一范式转换使得算法能够自然地处理多变量系统、非平稳统计特性，并完美适配数字计算机的递推计算需求。

2. 数学原理与核心算法

卡尔曼滤波针对如下线性动态系统： - 系统方程：(k+1) = \Phi x(k) + w(k)$，其中 $ 为过程噪声。 - 观测方程：(k) = H x(k) + v(k)$，其中 $ 为测量噪声。

算法核心是一个优雅的两步递推过程： 1. 预测步骤（Predict）：利用系统动力学模型 $\Phi$ 预测下一时刻的状态 $\hat{x}(k|k-1)$ 及其误差协方差 (k|k-1)$。此步骤引入了过程噪声协方差 $ 来量化模型的不确定性。 2. 更新步骤（Update）：当新的观测值 (k)$ 到达时，计算卡尔曼增益 (k)$。增益矩阵自动平衡"相信模型预测"与"相信传感器测量"的权重。随后利用增益修正预测值，得到最优状态估计 $\hat{x}(k|k)$ 并更新协方差 (k|k)$。

其中，误差协方差矩阵 $ 的演化遵循著名的Riccati 方程，这是一个非线性差分方程，其解直接决定了最优滤波器的系数。

3. 最优性与假设条件

Kalman 严格证明了在以下条件下，该滤波器是最小均方误差（MMSE）最优的： - 系统和观测方程必须是线性的。 - 过程噪声和测量噪声必须是零均值的高斯白噪声。 - 初始状态的概率分布已知。

在这些假设下，卡尔曼滤波不仅提供了状态的最优估计，还给出了估计误差的统计特性（协方差矩阵），这是许多其他启发式方法所不具备的理论保证。

4. 局限性与扩展

原始卡尔曼滤波的局限性主要在于其对线性和高斯噪声的强假设。实际物理系统大多是非线性的，且噪声可能呈现非高斯分布（如离群值）。为此，学界发展了多种扩展版本： - 扩展卡尔曼滤波（EKF）：通过对非线性函数进行一阶 Taylor 展开实现局部线性化，是机器人定位和 SLAM 的标准工具。 - 无迹卡尔曼滤波（UKF）：使用确定性采样点（Sigma 点）来逼近状态分布的非线性变换，避免了求导过程，精度通常优于 EKF。 - 粒子滤波：基于蒙特卡洛采样，能够处理任意非线性和非高斯分布，但计算成本较高。

5. 应用与影响

卡尔曼滤波最著名的一次应用是在阿波罗计划中。NASA 工程师 Stanley Schmidt 将其用于飞船导航系统，融合陀螺仪、加速度计和星敏感器数据，帮助人类成功登月。如今，它已成为机器人感知、惯性导航、经济时间序列预测、雷达跟踪及计算机视觉目标跟踪等领域的标准算法。即使在深度学习时代，由于其可解释性和在小数据场景下的可靠性，卡尔曼滤波在安全关键系统中依然不可替代。

来源

raw/books/机器人学/02-kalman-filter-linear-filtering.md