一、EKF概述：为什么需要EKF？线性KF与EKF的核心区别
大家好，我是你们的老朋友。今天咱们来聊聊扩展卡尔曼滤波，也就是EKF。
说实话，我刚入行那会儿，觉得卡尔曼滤波就是个黑盒子。输入输出，调调参数，完事。直到有一次做无人机姿态估计，用线性KF死活收敛不了，我才意识到——现实世界，哪有那么多线性系统？
1.1 为什么需要EKF？
线性卡尔曼滤波（KF）有个硬前提：系统必须是线性的，噪声必须是高斯的。
你想想看，现实中的机器人系统，有几个是线性的？
- 运动模型：小车转弯，角度和位置的关系是三角函数，不是线性
- 观测模型：激光雷达测距，距离和坐标的关系带平方根，也不是线性
- IMU数据：加速度计和陀螺仪的融合，涉及旋转矩阵，更不是线性
线性KF遇到这些非线性情况，就像用直尺量曲线——误差会越来越大，直到发散。
核心痛点：线性KF假设状态转移和观测都是线性变换。一旦遇到非线性，它的最优性就没了，甚至可能直接崩掉。
EKF的出现，说白了就是给线性KF装了个「近视眼镜」——把非线性问题在局部线性化，然后继续用KF那一套框架。
我记得有一次做移动机器人定位，轮子打滑导致里程计误差非线性增长。用线性KF，位置估计直接飘到墙外去了。换成EKF，虽然也有误差，但至少还在房间里转悠。嗯，这就是EKF的价值。
1.2 线性KF与EKF的核心区别
咱们直接上干货。两者的区别，我用一个表格说清楚：
| 对比项 | 线性KF | EKF |
|---|---|---|
| 系统模型 | 必须是线性：x = Ax + Bu | 可以是非线性：x = f(x, u) |
| 观测模型 | 必须是线性：z = Hx | 可以是非线性：z = h(x) |
| 核心思想 | 直接使用线性代数 | 用泰勒展开做线性近似 |
| 计算雅可比 | 不需要 | 必须计算状态转移和观测的雅可比矩阵 |
| 最优性 | 全局最优（线性高斯下） | 局部近似最优 |
| 适用场景 | 简单线性系统（如恒速模型） | 大多数实际机器人系统 |
看到这里你可能会问：「那EKF不就是把非线性函数求个导数吗？」
对，也不全对。
EKF的核心步骤其实就多了两步：
- 预测阶段：用非线性函数 f 直接传播状态，但协方差要用线性化的雅可比矩阵来更新
- 更新阶段：用非线性函数 h 计算预测观测，但增益计算要用线性化的雅可比矩阵
说白了，EKF就是「用线性化的刀，切非线性的蛋糕」。
1.3 一个简单的例子
假设我们要估计一个物体的位置和速度，但观测是距离（带平方根）。
线性KF会怎么做？它要求观测方程是 z = Hx，也就是距离和位置是线性关系。但实际距离是 sqrt(x² + y²)，这怎么线性？
EKF的做法是：
- 在当前估计点 (x₀, y₀) 附近，对 sqrt(x² + y²) 做一阶泰勒展开
- 得到近似的线性关系：z ≈ H_local * x
- 然后把这个 H_local 当成观测矩阵，继续跑KF的更新公式
个人经验：我建议初学者先手推一遍雅可比矩阵。别偷懒，哪怕是最简单的例子。我当年就是图省事用数值微分，结果调参调到怀疑人生。手推一遍，你对EKF的理解会上一个台阶。
1.4 EKF的局限性（避坑指南）
EKF不是万能的。我曾经踩过几个坑，分享给大家：
我曾经在一个强非线性系统（大角度姿态估计）上硬用EKF，结果协方差矩阵频繁非正定，滤波器直接炸了。后来换成UKF才解决问题。
EKF的主要问题：
- 线性化误差：泰勒展开只取一阶项，如果非线性强，误差会累积
- 雅可比计算复杂：对于高维系统，手推雅可比容易出错
- 对初值敏感：如果初始估计离真值太远，线性化点选得不好，滤波器可能发散
所以，什么时候用EKF？
- 系统非线性程度中等（比如小角度近似成立）
- 你能手推或自动微分得到雅可比
- 计算资源有限（EKF比UKF/PF快）
什么时候别用？
- 强非线性（比如纯方位跟踪、大角度旋转）
- 多模态分布（EKF假设单峰高斯）
- 你懒得算雅可比（那就用UKF吧）
1.5 小结
这一章咱们聊了：
- 为什么需要EKF——因为现实是非线性的
- 线性KF和EKF的核心区别——一个直接算，一个先线性化再算
- EKF的适用场景和坑
下一章，我会带大家手撕EKF的数学公式，从预测到更新，每一步都讲清楚。到时候咱们再聊雅可比矩阵怎么算、协方差怎么调。
嗯，今天就到这儿。记住：EKF不是银弹，但在大多数工程场景下，它够用、好用、值得掌握。