卡尔曼滤波(Kalman Filter, KF)作为一种高效的递归估计算法,在机器人导航、信号处理等领域应用广泛,但其理论和应用层面存在以下局限性,具体可从模型、噪声、计算及实际场景等维度分析:
一、模型假设的局限性
-
线性系统假设的约束
- 卡尔曼滤波的理论基础是线性系统和高斯噪声,但实际系统(如机器人运动、传感器测量)往往存在非线性特性。
- 例如:机器人在非平坦地面运动时,里程计的轮速与位移关系可能偏离线性模型;惯导的角速度积分计算姿态时,也可能因非线性误差导致估计偏差。
- 影响:若直接应用标准卡尔曼滤波于非线性系统,会因模型失配导致估计精度下降,甚至滤波发散。
- 卡尔曼滤波的理论基础是线性系统和高斯噪声,但实际系统(如机器人运动、传感器测量)往往存在非线性特性。
-
噪声统计特性的严格要求
- 算法假设过程噪声和测量噪声为零均值高斯白噪声,且噪声协方差矩阵已知且固定。
- 实际场景中,传感器噪声可能随时间变化(如惯导的零偏漂移、里程计的轮面磨损导致噪声特性改变),或存在非高斯噪声(如突发干扰、传感器故障)。
- 影响:噪声统计特性不符合假设时,滤波增益计算偏差会导致估计误差累积,降低系统鲁棒性。
- 算法假设过程噪声和测量噪声为零均值高斯白噪声,且噪声协方差矩阵已知且固定。