卡尔曼滤波(Kalman Filter)的诞生和发展源于对动态系统状态估计的迫切需求,其核心目的是从带有噪声的观测数据中,最优地估计系统的真实状态。要理解它的来龙去脉和必要性,需要从问题起源、数学本质和实际需求三个维度展开。
一、问题起源:为什么需要卡尔曼滤波?
1. 现实世界的噪声与不确定性
- 传感器缺陷:所有传感器(如GPS、陀螺仪、雷达)的观测数据都包含噪声(例如GPS定位误差可达数米)。
- 系统扰动:动态系统本身受外部干扰(如风力对无人机的影响),模型无法完美描述真实物理过程。
- 核心矛盾:
- 高频传感器(如IMU):数据更新快但误差累积(漂移)。
- 低频传感器(如GPS):数据稳定但更新延迟。
需要一种方法融合多源数据,兼顾实时性与准确性。
2. 传统方法的局限性
- 移动平均/低通滤波:只能平滑噪声,无法处理动态系统的状态预测。
- 最小二乘法:适用于静态参数估计,但无法适应时变系统。
- 维纳滤波</