第1章卡尔曼滤波概述

1. 卡尔曼滤波概述：状态估计问题、卡尔曼滤波的起源与发展、在电机控制中的应用价值

先聊聊状态估计。说白了，就是「猜」。

你想想看，电机转子的位置、速度，这些物理量我们没法直接测准。编码器有噪声，电流采样有延迟，负载突变时更是乱成一团。这时候怎么办？

我个人的理解是：状态估计就是「用数学模型去猜，再用实测数据去修正」。你有一个预测，有一个测量，两者都不完美，但结合起来就能得到比任何一个都准的结果。

举个例子。我在做伺服驱动器项目时，遇到过编码器丢脉冲的情况。位置信号突然跳变，如果直接拿这个信号做闭环，电机就会猛抖一下。嗯，这时候就需要状态估计来「平滑」掉这些异常值。

核心思想： 状态估计 = 模型预测 + 测量修正

卡尔曼滤波是1960年由鲁道夫·卡尔曼提出的。我记得第一次读到那篇论文时，心里想的是：「这玩意儿真能用在嵌入式上？」

当时卡尔曼在NASA做访问研究，阿波罗登月计划正好需要导航滤波。卡尔曼滤波的厉害之处在于——它不需要存储所有历史数据，只靠上一时刻的状态和当前测量值，就能递推更新。这在60年代的计算机上简直是救命稻草。

发展到现在，卡尔曼滤波已经衍生出很多变种：

我曾经在无刷直流电机（BLDC）的传感器less控制中，试过EKF和UKF。说实话，UKF精度确实好，但在STM32F4上跑一次要花掉将近200微秒，实时性扛不住。最后我选了EKF，调参调了两周才稳定下来。

我的建议： 工程上先上EKF，够用就行。别一上来就搞UKF，除非你的MCU算力过剩。

电机控制里，卡尔曼滤波主要干三件事：

我参与过一个项目，客户要求电机在零速下也能输出额定转矩。没有位置传感器，零速时反电动势为零，传统方法根本估不准。最后我们用卡尔曼滤波结合高频注入法，硬是把位置误差控制在了5度以内。

为什么会这样？因为卡尔曼滤波本质上是一个最优估计器。它知道你的模型有多可信（过程噪声协方差Q），也知道你的传感器有多烂（测量噪声协方差R），然后自动权衡两者。

注意： Q和R的调参是卡尔曼滤波最坑的地方。我曾经因为Q设得太大，导致估计值跟着噪声乱跳；又因为R设得太大，导致估计值反应迟钝。调参没有捷径，只能靠经验和实验数据。

下面这张图是我自己总结的卡尔曼滤波在电机控制中的知识体系。你看一眼，心里就有谱了。

假设你要估计电机转子的角度 θ。你有一个模型：θ(k+1) = θ(k) + ω·Δt。但模型不准，因为负载会变。你还有一个编码器测量值 z(k) = θ(k) + v(k)，但v(k)是噪声。

卡尔曼滤波的做法是：

// 预测步骤
θ_pred = θ_est + ω * dt;
P_pred = P_est + Q;

// 更新步骤
K = P_pred / (P_pred + R);
θ_est = θ_pred + K * (z - θ_pred);
P_est = (1 - K) * P_pred;

你看，就这几行代码。K是卡尔曼增益，它决定了你更相信模型还是更相信测量。如果R很大（传感器噪声大），K就小，你更信模型。如果Q很大（模型不准），K就大，你更信测量。

一个小技巧： 刚开始调参时，把Q和R都设成1，然后看效果。再根据估计值的波动程度，逐步调整。我习惯先调R，再调Q，这样思路清晰。

卡尔曼滤波不是什么玄学。它就是一套数学框架，帮你把「猜」和「测」结合起来。在电机控制里，它最大的价值就是让你在没有昂贵传感器的情况下，也能获得高质量的估计信号。

下一章我们会深入卡尔曼滤波的数学推导。别怕，我会用最直观的方式讲清楚。

公众号:蓝海资料掘金营，微信deep3321