第1章：线性卡尔曼滤波推导——从贝叶斯估计到卡尔曼增益
各位同学好，我是老张。在组合导航这行摸爬滚打了十几年，今天咱们来聊聊卡尔曼滤波最核心的东西——它的数学推导。
说实话，我第一次接触卡尔曼滤波时，看着那一堆矩阵和协方差，头都大了。后来慢慢发现，这东西说白了就是一套「预测-修正」的循环。你想想看，我们做导航，不就是先猜一下位置，然后用观测数据去修正这个猜测吗？
1.1 从贝叶斯估计说起
卡尔曼滤波的根，其实在贝叶斯估计里。贝叶斯定理告诉我们：
P(x|z) = P(z|x) * P(x) / P(z)翻译成人话就是：后验概率 = 似然 × 先验概率 / 证据
嗯，这里要注意，在卡尔曼滤波的语境下：
- 先验：我们根据上一时刻的状态，预测当前时刻的状态
- 似然：当前观测值在给定状态下的可能性
- 后验：融合了预测和观测之后，我们对状态的最佳估计
我个人习惯把贝叶斯估计看作是卡尔曼滤波的「哲学基础」。你理解了贝叶斯，就理解了卡尔曼滤波为什么是「最优」的——因为它是在概率框架下，把已知信息都用上了。
核心思想：卡尔曼滤波本质上是在做「贝叶斯在线推理」，每一步都在更新我们对状态的概率认知。
1.2 线性卡尔曼滤波的数学推导
好，咱们来点硬核的。线性卡尔曼滤波假设系统是线性的，噪声是高斯白噪声。模型长这样：
状态方程：x_k = F * x_{k-1} + B * u_k + w_k
观测方程：z_k = H * x_k + v_k其中 w_k ~ N(0, Q)，v_k ~ N(0, R)。
我在项目中遇到过一个问题：有人把Q和R设成对角矩阵就完事了，结果滤波发散。后来发现，Q矩阵必须反映真实的系统噪声特性，不能随便拍脑袋。
预测步（Time Update）
预测步就是「猜」。我们根据上一时刻的最优估计，预测当前时刻的状态和协方差：
x_pred = F * x_est + B * u
P_pred = F * P_est * F^T + Q这里：
- x_pred：预测的状态
- P_pred：预测的协方差（代表不确定性）
- Q：过程噪声协方差
你想想看，为什么协方差会变大？因为预测引入了不确定性（Q），所以我们对状态的把握变差了。
更新步（Measurement Update）
更新步就是「修正」。我们用观测数据来修正预测：
K = P_pred * H^T * (H * P_pred * H^T + R)^{-1}
x_est = x_pred + K * (z - H * x_pred)
P_est = (I - K * H) * P_pred这里K就是卡尔曼增益，是整个滤波器的灵魂。
小技巧：我建议初学者先用手算一遍一维的情况，把矩阵换成标量，这样能直观看到每个变量的变化。
1.3 卡尔曼增益的物理意义
卡尔曼增益K，说白了就是一个「权重分配器」。它决定了我们更相信预测还是更相信观测。
咱们来看K的表达式：
K = P_pred * H^T * (H * P_pred * H^T + R)^{-1}这个公式可以拆成两部分理解：
- 分子：P_pred * H^T —— 预测的不确定性
- 分母：H * P_pred * H^T + R —— 预测不确定性 + 观测噪声
所以K的取值在0到1之间（一维情况下）：
- 当R很小（观测很准）时，K → 1，我们更相信观测
- 当P_pred很小（预测很准）时，K → 0，我们更相信预测
我曾经调试一个组合导航系统，发现K值一直偏大，导致滤波结果跟着观测跳来跳去。后来发现是R矩阵设得太小了，相当于我过度相信了传感器。调大R之后，K值降下来，滤波曲线就平滑了。
避坑指南：我曾经把Q和R设成固定值，结果系统在不同工况下表现差异很大。后来我改用自适应方法，根据残差动态调整Q和R，效果好了很多。
1.4 知识体系总览
下面这张图是我自己画的，把本章的核心逻辑串起来了：
这张图把贝叶斯估计、预测步、更新步和卡尔曼增益串在了一起。你顺着箭头看，就能理解整个滤波流程。
1.5 本章小结
咱们这一章讲了三个核心内容：
- 贝叶斯估计是卡尔曼滤波的理论基础——后验 = 似然 × 先验
- 预测步和更新步的数学推导——先猜后修，循环往复
- 卡尔曼增益的物理意义——它是预测和观测之间的「信任天平」
说实话，这些公式看起来复杂，但只要你理解了「预测-修正」这个循环，再回头看公式，就会发现它们其实很自然。我在带新人时，总是让他们先用手算一维的例子，把每个变量的变化画出来，这样比死记公式有效得多。
下一章咱们会聊非线性情况——扩展卡尔曼滤波。不过那是后话了，先把线性情况吃透再说。