第1章卡尔曼滤波入门

1. 卡尔曼滤波入门：状态估计与滤波概念、卡尔曼滤波的发明故事、为什么导航需要它

先问大家一个问题：你开车时，导航告诉你「前方200米右转」。但GPS信号偶尔会飘，你实际可能只有180米。这时候你信谁？

信导航？还是信自己的眼睛？

其实两个都不全信。你把GPS数据和车速、方向盘转角结合起来，心里大概就有数了。这个过程，就是状态估计。

状态估计，说白了就是从带噪声的测量数据中，猜出系统真实的状态。这里的「状态」可以是位置、速度、角度，也可以是电池电量、温度。

我做过一个无人机项目，GPS在城市峡谷里经常丢星。那时候我就在想：如果只靠GPS，飞机早撞楼了。必须把IMU（惯性测量单元）的数据也揉进来。这就是状态估计的典型场景。

  核心思想： 你永远无法直接测量到「真实值」，只能通过多个不完美的测量，去逼近它。

滤波这个词，搞信号处理的人不陌生。低通滤波、高通滤波，都是把某些频率的成分滤掉。

但卡尔曼滤波里的「滤波」，含义更广。它不只是滤掉噪声，而是在时间上递归地估计状态。

我习惯这么理解：

这两个步骤反复执行，就是卡尔曼滤波的核心循环。

你想想看，这像不像你每天上班？你预估路上要30分钟（预测），结果出门发现堵车（测量），于是你调整路线（更新）。第二天你重新预估，又堵车又调整……这就是一个滤波过程。

这个故事挺有意思的。1960年，鲁道夫·卡尔曼（Rudolf Kalman）在NASA的一次访问中，提出了这个算法。

当时NASA正在搞阿波罗计划，需要把宇航员送到月球。导航是个大问题——飞船上的计算机性能极差，内存只有几KB。传统的滤波方法计算量太大，根本跑不动。

卡尔曼的算法，只用几个矩阵运算，就能在极低资源下完成状态估计。NASA的工程师一开始还不信，觉得太简单了。结果一测试，效果出奇的好。

我记得有个细节：卡尔曼去NASA做报告时，台下坐着很多资深专家。他讲完后，全场沉默。有人问：「你这个算法，真的能用在飞船上吗？」卡尔曼回答：「它已经在我的车上了。」

嗯，这就是自信。

一个小八卦： 卡尔曼滤波最初叫「线性最小方差估计」，后来才被命名为Kalman Filter。卡尔曼本人其实更偏爱「Rudolf Filter」这个叫法，但没被采纳。

导航系统面临一个根本矛盾：传感器都有误差，但导航要求高精度。

GPS误差几米到几十米，IMU有漂移，里程计会打滑。任何一个传感器单独用，都靠不住。

卡尔曼滤波的厉害之处在于：它能把多个传感器的优点结合起来，同时抑制各自的缺点。

举个例子：

卡尔曼滤波把GPS的长期稳定性和IMU的短期高精度融合在一起。GPS信号不好时，靠IMU撑住；GPS恢复后，再修正IMU的漂移。

我在做AGV（自动导引车）项目时，遇到过类似问题。车间里金属架子多，GPS信号反射严重。单纯用IMU，半小时后位置就偏了半米。后来加了卡尔曼滤波，把地磁传感器和轮式里程计也融合进来，精度稳定在5厘米以内。

避坑指南： 我曾经以为卡尔曼滤波是万能的，什么传感器都能往里塞。结果发现，如果传感器的噪声特性没建模好，滤波结果反而更差。记住：模型不准，滤波白费。

下面这张图，是我自己画的知识框架。它把本章的核心逻辑串起来了：

这一章我们聊了三件事：

我个人觉得，理解卡尔曼滤波的关键，不在于数学公式，而在于思维方式：你永远不要相信任何一个单一的测量，但你可以相信多个测量融合后的结果。

下一章，我们会正式进入数学推导。别怕，我会用最直观的方式讲清楚。

  一句话记住本章： 卡尔曼滤波 = 预测 + 更新，用多个不完美的传感器，拼出一个完美的估计。

公众号:蓝海资料掘金营，微信deep3321