卡尔曼滤波算法的局限性有哪些？

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

1. 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。

2. 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。