企业官网建设流程全解析

第一次在Simulink里跑通卡尔曼滤波的时候，我盯着示波器里那条“贴”在真值附近的估计曲线看了很久。说实话，那会儿我对五个公式的理解只停留在“套用”层面，真正让我把原理、建模和仿真链路串起来的，是一次在车辆状态估计项目里被测量噪声逼到墙角的经历。后来我陆陆续续把这个滤波器用在了目标跟踪、惯性导航辅助定位等多个场景，才慢慢摸清它在工程中如何落地。这篇内容我不做教科书式复述，就直接讲卡尔曼滤波的原理、系统模型怎么建、Simulink里怎么搭、参数怎么调，以及从线性扩展到非线性的那一整套经验，希望对正在啃这块硬骨头的朋友有点实际帮助。

1. 从传感器噪声说起——卡尔曼滤波要解决的到底是哪一类问题

1.1 当传感器读数“可信但不可靠”时

先回到一个最直观的场景：你要估计一辆车的实时速度。轮速传感器给出一个值，GPS给出一个值，你自己的经验又给出一个预期值，这三个来源没有一个是绝对准确的。轮速在打滑时会突变，GPS在城市峡谷里会跳变，而你对车速的预测则受油门、刹车、坡度等一大堆因素影响。问题就变成：手头有多组都不完美的信息，如何融出一个比任何单一来源都更靠谱的估计？

卡尔曼滤波回答的正是这个问题。它不是简单地对测量值做平滑，而是利用系统的运动模型，把“预测值”和“测量值”按各自的不确定性做加权融合。不确定性的数学语言是协方差，加权系数就是卡尔曼增益。换句话说，它处理的是随机噪声和模型误差共存的最优估计问题。

从滤波分类上讲，卡尔曼滤波属于最优贝叶斯估计在线性高斯假设下的闭式解。这句话听着绕口，拆开就三条：系统动态和测量关系是线性的，过程噪声和测量噪声都服从高斯分布，且误差评价采用最小方差准则。满足这三个条件时，卡尔曼滤波给出的估计是所有线性估计器中方差最小的那个，这也是它被称为“最优”的原因。

1.2 和“一阶低通滤波”相比，思路根本不同

很多人刚接触卡尔曼滤波时，会下意识拿它和一阶低通滤波比较。一阶低通在Simulink里一个Transfer Fcn模块就解决了：1/(tau*s+1)，带宽一调，高频噪声被压掉，曲线就平滑了。但问题在于，低通滤波只对测量数据做频域整形，完全不考虑被测对象的运动规律。由此带来两个天然缺陷：一是相位延迟，滤波后的信号总是滞后于真实变化；二是遇到真实突变时，滤波器会把“真信号”和“噪声”一起抹掉。

卡尔曼滤波不同。它在每一拍里都先利用物理模型预测下一步状态，再用测量值修正预测。预测项提供了“提前量”，所以输出对真实运动的跟随能力远好于低通滤波。而且卡尔曼滤波是时变系统，每拍增益都会根据当前预测协方差和测量噪声自动变化，不像低通滤波的系数是固定的。你可以把它理解成一个“聪明的低通”，它在该信任模型时多相信模型，该信任测量时多相信测量。

当然，卡尔曼滤波也有自己的适用边界。它要求系统模型不能太离谱，模型误差太大会导致估计误差甚至发散；它要求噪声特性相对稳定，统计特征剧烈变化时性能会下降；它还要求计算资源足够，虽然在线性情况下计算量并不高。所以真要选型，一阶低通和卡尔曼滤波并非替代关系，而是面对不同问题时的不同工具。

1.3 信息融合才是它真正擅长的事

卡尔曼滤波更大的价值在于多传感器融合。还是拿车辆定位举例：惯性测量单元能给出高频的加速度和角速度，短时间积分精度不错，但长时间漂移严重；GPS输出低频但绝对位置准确。二者特性互补，正是卡尔曼滤波的拿手好戏——用惯性信息做高频预测，用GPS做低频修正，估计出的位置和速度既平滑又不漂移。这也是“卡尔曼滤波与惯性导航”组合在工程里如此常见的原因。

在这类系统里，状态量通常包括位置、速度、姿态角甚至陀螺零偏。状态方程由运动学和动力学方程构成，观测方程由GPS位置、里程计速度等构成。滤波器的高频预测保证输出率，低频观测更新保证不发散。想在Simulink里做这类设计，理解状态空间表达就是第一道坎。

2. 五条公式的数学直觉——预测、更新与卡尔曼增益为什么长成那样

2.1 先把系统写成标准形式

卡尔曼滤波建立在状态空间模型上。离散时间的线性系统写成：

x(k) = A * x(k-1) + B * u(k-1) + w(k-1) z(k) = H * x(k) + v(k)

其中：

• x(k)是 n 维状态向量，比如位置和速度
• A是状态转移矩阵，描述上一拍状态如何演变到当前拍
• B是输入矩阵，描述控制量u如何影响状态
• H是观测矩阵，描述状态如何映射到测量值
• w是过程噪声，v是测量噪声，各自对应协方差矩阵Q和R

理解这套符号的物理意义，比背公式重要得多。A是“我对系统下一拍怎么走的假设”，H是“我通过传感器能看见哪些状态的组合”，Q是“我对这个假设的信心程度”，R是“我对传感器的信任程度”。后面调参，本质就是在调这两份信任。

2.2 预测步：把状态和不确定性一起往前推

卡尔曼滤波每一拍分两步。第一步是预测，基于上一拍的最优估计x(k-1)和系统模型，得到当前拍的先验估计x_pred：

x_pred = A * x(k-1) + B * u(k-1) P_pred = A * P(k-1) * A' + Q

注意第二行。状态在向前推，不确定性也在向前推。P(k-1)是上一拍估计误差的协方差，经过A的线性变换后，再叠加上过程噪声Q，就得到当前拍的先验协方差P_pred。这个值会直接影响卡尔曼增益的大小，所以它的量级和演化必须正确。

Q在这里起的作用是防止滤波器过度自信。如果Q设成零矩阵，预测协方差会不断缩小，最终卡尔曼增益趋近于零，滤波器只信模型不再信测量，一旦模型有偏差，估计值就会彻底跑偏，这就是工程中常见的“滤波器锁死”。

2.3 更新步：卡尔曼增益在均衡什么

第二步是更新，用实际测量z(k)修正先验估计：

K = P_pred * H' * (H * P_pred * H' + R)^(-1) x(k) = x_pred + K * (z(k) - H * x_pred) P(k) = (I - K * H) * P_pred

卡尔曼增益K的直觉可以这样理解：分子是“预测域的误差协方差”，分母是“预测域误差协方差 + 测量噪声协方差”。如果预测协方差远大于测量噪声，K趋近于1，滤波器主要相信测量；如果测量噪声远大于预测协方差，K趋近于0，滤波器主要相信预测。所以，K就是“测量修正力度”的调度器。

z(k) - H*x_pred是新息，也就是测量值和预测值之间的差异。这个差异里既包含真实状态的变化，也包含噪声。乘以K之后，只把按比例修正回去。注意，此时x(k)已经是后验估计，它的协方差P(k)因为引入了新的测量信息而缩小，缩小的幅度由K和H共同决定。

2.4 一个一维例子，把公式变回直觉

为了破除公式恐惧，用最简单的匀速直线运动来推一遍。状态只有位置x，假设我们在估计一个不动的目标位置，模型是：

x(k) = x(k-1) + w z(k) = x(k) + v

此时所有矩阵都变成标量：A=1，H=1，Q=q，R=r。一维卡尔曼滤波就变成：

x_pred = x(k-1) P_pred = P(k-1) + q K = P_pred / (P_pred + r) x(k) = x_pred + K * (z(k) - x_pred) P(k) = (1 - K) * P_pred

从这套式子可以直观看到：如果传感器噪声r很小，K接近1，估计值几乎完全跟着测量跑；如果q很小、模型预测很可靠，K会逐步缩小，估计值就平滑稳定。这就是卡尔曼滤波的全部灵魂——五个公式不外乎在反复执行“预测—算可信度—修正—更新可信度”这个循环。

3. 系统模型建立——从连续运动方程到离散状态空间的一步步操作

3.1 建模的第一步：明确状态量、输入量和观测量

在Simulink里建卡尔曼滤波，模型质量直接决定滤波效果。建模的第一步不是写矩阵，而是回答三个问题：需要估计哪些状态？系统有哪些输入？哪些状态能被传感器直接间接观测到？

以目标跟踪为例。如果要在二维平面跟踪一个运动目标，状态量通常取位置和速度，也就是x = [px; vx; py; vy]。输入量可以是没有，也可以是目标加速度u。观测量如果是雷达输出，通常直接是位置坐标px和py，观测矩阵就是两个1分开的行。如果观测量是距离和方位角，那就变成非线性观测，需要用扩展卡尔曼滤波，这个后面再讲。

建模时最容易犯的错是“状态选少了”。比如只把位置当状态，速度靠差分测量去算，结果速度噪声被放大器，滤波效果比原始数据还差。经验做法是：能直接把动态过程写进状态方程的物理量，就放进去，让模型去管动态演化，传感器只管提供修正信息。

3.2 从连续模型到离散状态转移矩阵

物理系统通常先写出连续微分方程，再用采样时间离散化。匀速运动模型是：

d(px)/dt = vx d(vx)/dt = 0

写成连续状态空间形式后，用零阶保持器离散化，得到：

A = [1 dt; 0 1] B = [0.5*dt^2; dt] H = [1 0]

其中dt是Simulink模型的采样步长。B的意思是：如果控制量是加速度，则在一个采样周期内，加速度对位置的贡献是0.5*dt^2，对速度的贡献是dt。很多人在这一步直接用连续A矩阵，到了离散仿真里就会出现严重的模型失配。记住，卡尔曼滤波的五个公式全部是离散形式，所有矩阵必须按离散时间模型给出。

匀加速运动模型则是把加速度也纳入状态，形成三阶模型：

A = [1 dt 0.5*dt^2; 0 1 dt; 0 0 1]

状态变为[位置; 速度; 加速度]。模型阶数越高，对动态的刻画越细，但过程噪声该怎么给也越难把握。阶数补得过高、Q给得又不合适，往往比低阶模型更容易发散。

3.3 惯性导航组合场景中的建模思路

热词里“卡尔曼滤波与惯性导航”出现频率很高，这类系统建模和纯运动学模型不太一样。惯性导航的误差方程是核心：把位置误差、速度误差、姿态误差和陀螺/加速度计零偏作为状态量，状态方程描述这些误差如何随时间传播，观测方程描述GPS或外部参考位置与惯导输出位置之间的差值。滤波器估计出误差量后，再去修正惯导的导航解。

这种做法的好处是，滤波器估计的不是位置的绝对值，而是“惯导算出的位置与真实位置之差”。因为误差动态通常是缓慢变化的，用线性模型近似效果很好。Simulink里搭建时，惯导解算模块在前，误差卡尔曼滤波器在后，滤波器的输出经过反馈回路修正姿态和位置，整个链路比单纯的目标跟踪复杂一些，但建模逻辑是相通的。

3.4 建模过程中常见的三个雷

第一个雷是忘记矩阵维度匹配。A是n x n，B是n x m，H是k x n，任何一个维度对不上，MATLAB Function块里直接报错。用size检查旁观是常规操作，但更建议在建模初期就把每个矩阵的维数写在注释里。

第二个雷是状态转移矩阵没有考虑采样时间的变化。如果仿真步长dt是变量，A里的dt就必须同步更新。我见过有人把dt写死在A里，然后改仿真步长后滤波结果突然发散，折腾半天才发现是这里的问题。在实际工程中，推荐在初始化时确定好采样时间，或者把仿真步长作为参数传入滤波器，确保模型始终匹配。

第三个雷是对过程噪声的物理意义理解偏差。Q不是随便给个小矩阵就行，它描述的是模型未建模动态和外部扰动的强度。比如匀速模型对转弯目标来说就是有缺陷的，转弯带来的横向加速度必须通过适当增大Q来“吸收”。Q给得太小，滤波器会认为自己模型很准，但实际上模型是错的，结果就是估计被模型的偏差带偏。

4. Simulink搭建实操——MATLAB Function块实现与仿真链路整合

4.1 整体链路：从信号源到误差对比

Simulink里实现卡尔曼滤波有几种常见做法：全用Simulink基础模块搭（Gain、Add、Matrix Multiply等）、用S-Function写C代码、或者用MATLAB Function块。我的经验是非教学用途就选MATLAB Function块，代码直观、调试方便，而且能直接在块内部写初始化逻辑。基础模块搭法适合理解公式流，但矩阵运算多了之后，模型图会变得极其难维护。

一个标准的仿真链路包括四部分：

• 目标轨迹生成模块：产生真实状态序列
• 测量模拟模块：对真实状态叠加高斯白噪声
• 卡尔曼滤波器模块：接收带噪测量和控制输入，输出状态估计
• 结果显示模块：Scope以及误差计算模块

要用模型验证滤波效果，必须能同时拿到真实状态和测量值。如果只有带噪测量，很难直观看出滤波改进。一个常用技巧是：把真实状态保存到工作区，再用x_est和x_true做差，画出误差曲线，统计均方根误差。

4.2 MATLAB Function块的核心代码

以二维匀速目标跟踪为例，在MATLAB Function块里写以下代码：

function [x_est, P_out] = kf_position(z, u, dt) % 输入： % z 2x1 测量的位置 [px; py] % u 2x1 控制输入，通常设为零 % dt 采样时间 % 输出： % x_est 4x1 状态估计 [px; vx; py; vy] % P_out 4x4 误差协方差矩阵 persistent x_hat P A B Q R if isempty(P) x_hat = [0; 0; 0; 0]; P = 100 * eye(4); A = [1 dt 0 0; 0 1 0 0; 0 0 1 dt; 0 0 0 1]; B = [0.5*dt*dt 0; dt 0; 0 0.5*dt*dt; 0 dt]; H = [1 0 0 0; 0 0 1 0]; Q = diag([0.1, 1, 0.1, 1]); R = diag([1, 1]); end % 预测 x_pred = A * x_hat + B * u; P_pred = A * P * A' + Q; % 更新 K = P_pred * H' / (H * P_pred * H' + R); x_hat = x_pred + K * (z - H * x_pred); P = (eye(4) - K * H) * P_pred; x_est = x_hat; P_out = P; end

这段代码有几个关键点值得注意。persistent变量保证滤波器的状态在连续仿真步之间被保留，不会每步清零。初始化块里P = 100 * eye(4)表示初始误差协方差给得很大，说明“我对初始状态一点都不确定”，这样滤波器的初始增益会比较大，能够快速收敛到真值附近。如果初始协方差给得很小，滤波器就会高估自己对初始状态的确信度，导致收敛缓慢甚至长时间无法修正。

Q和R的选择我会在下一节详细展开。这里要稍微提醒：K = P_pred * H' / (H * P_pred * H' + R)用了矩阵右除，比直接写inv(...)更稳定，而且运算等价。如果写成K = P_pred * H' * inv(H * P_pred * H' + R)，在矩阵接近奇异时可能会有数值问题，建议养成用右除的习惯。

4.3 把模块连起来：数组读取和矩阵维度的细节

在Simulink里连接这一步，最大的坑往往在于信号的维度匹配。MATLAB Function块默认把输入当作列向量，如果前面的信号源输出是行向量，进入块内就容易出现维度错位。一个务实的处理方式是，在信号源之后加一个Reshape模块，或者在MATLAB Function块内部对输入做z(:)这样的一维化处理。

“simulink的数组读”这个技巧在这里很有用。如果测量数据是打包在总线或数组里的，可以用Selector模块取出对应的通道，再传给滤波器。在工程项目中，多个传感器信号经常组成一个数组，比如measurement = [gps_px; gps_py; speed]，滤波器只关心位置分量，就可以在块内通过索引的方式取z(1:2,1)。

运行仿真后，观察三类信号：真实轨迹、带噪测量、滤波估计。通常你会看到滤波曲线明显比带噪测量平滑，又比纯预测更贴真值。再算一算误差，滤波后的均方根误差大约能降到测量噪声的50%到70%，具体数字取决于Q/R的比例。如果误差不降反升，十有八九是模型、参数或者维度出了问题，而不是算法本身有问题。

4.4 离散求解器和采样时间的选择

Simulink里卡尔曼滤波对求解器类型不敏感，对采样时间比较敏感。推荐使用定步长离散求解器，步长就是卡尔曼滤波里的dt。如果用了变步长求解器，MATLAB Function块的执行时刻不固定，而滤波器内部假设dt恒定，就会出现模型失配。真要用变步长，必须把当前的仿真时间传进来，实时计算dt，这会增加不少复杂度，实验阶段没必要。

外设联合仿真时，比如Carsim和Simulink联合仿真做车辆状态估计，Carsim作为被控车辆模型提供传感器信息，Simulink里的卡尔曼滤波器接收带噪信号并输出状态估计，再把估计值送回控制模块。这种联仿的采样时间一般由速度快的那个模块决定，通常是Simulink侧以固定步长运行，Carsim端做接口转换。滤波器块的采样时间要和整个模型匹配，否则你会在Scope上看到阶梯状的不连续输出。

5. 参数整定和仿真中的实际大坑——Q、R、P0的取值逻辑

5.1 Q、R、P0分别代表什么

Q是过程噪声协方差矩阵，衡量系统模型本身的可信度。模型越粗糙、外部扰动越强、目标机动越剧烈，Q就应该越大。R是测量噪声协方差矩阵，衡量传感器读数的可信度，通常可以通过传感器标定或实测数据统计得到。P0是初始估计误差协方差，代表滤波开始时对初始状态的确信程度。

Q、R的比值决定了卡尔曼增益的稳态大小，进而影响滤波器的带宽。Q/R越大，滤波器越“激进”，对测量的跟随能力越强，但噪声抑制能力下降；Q/R越小，滤波器越“保守”，输出更平滑，但动态响应变慢、滞后增加。所以调参数的本质，是在动态响应和噪声抑制之间找一个平衡点。

5.2 调参的起点怎么定

推荐一个实用的起步方式：先用实测或仿真数据估计R。如果一个传感器的噪声标准差是0.5米，那R就设为0.5^2 = 0.25。这是最不容易出错的一步，因为它有物理依据。然后Q根据模型的可信度来设：如果目标是匀速运动，但实际目标存在偶尔的加减速，可以把过程噪声设成适度值，让滤波器保留一点跟随能力。

P0则不必太纠结，一般设成对角阵，元素取状态量量级的平方再乘上一个不小的系数。比如位置量级是10米，速度量级是1米/秒，P0可以设为blkdiag(100, 1)，也就是对初始状态“非常不确定”，让滤波器在前几步快速收敛。注意P0太小会导致初期滤波值长时间偏离真值，因为滤波器太相信自己给的初始值。

5.3 发散、锁死、振荡：三种现象背后的参数问题

滤波器发散是仿真中最常见的问题。现象是误差越来越大，甚至冲出天际。最常见原因有三个：模型失配严重、Q给太小、数值不稳定。排查顺序建议是先检查A、B、H是否符合离散模型和维度规则，再检查Q是否过小，最后检查矩阵是否出现奇异或非正定。工程上还有个技巧：监控P矩阵的对角元，如果某个对角元变成负数或趋近于零，说明数值出问题了，需要改用Joseph形式的协方差更新：

P = (I - K*H) * P_pred * (I - K*H)' + K * R * K'

这个形式能保证协方差矩阵的对称正定性，虽然在理想代数中与标准形式等价，但在浮点运算下稳健性更好。

滤波器锁死的现象是：估计值几乎不跟测量走，曲线僵直。原因是Q太小或P过收敛。如果Q设成零，预测协方差会指数衰减，卡尔曼增益趋近于零，谁叫也叫不醒。解决方式是给Q设置一个下限，模拟现实中永远存在的外界扰动。另一种情况是初始P0给得过小，同样会导致增益过早变小，收敛和反应速度变慢。

滤波器振荡的情况是：估计值在真值附近大幅跳变，噪声抑制效果很差。这通常对应Q相对R偏大。滤波器认为模型不可信，疯狂往测量方向修正，结果把测量噪声也带进来了。这种场景下要检查是不是状态阶数选得过高，或者测量真的有那么吵，按实测量级重新设定R。

5.4 一张经验对照表

这张表是我做过的多个项目里总结出来的一组快速定位经验，不能覆盖所有情况，但覆盖了绝大部分初期问题。实际调参时，不要几个参数一起改，每次只动一个，观察曲线变化，这样才知道谁在起作用。

6. 扩展卡尔曼滤波EKF——非线性跟踪问题的求解与Simulink差异

6.1 为什么线性卡尔曼不够用

线性卡尔曼滤波要求状态方程和观测方程都是线性的。但在很多实际场景里，这一条件不成立。比如雷达测量目标时，直接得到的是距离和方位角，而状态量是平面坐标位置，坐标变换本身就是非线性的。又比如在惯性导航里，姿态更新涉及三角函数和四元数乘积，本质天然非线性。

如果强行忽略非线性，把测量关系近似成线性，滤波器在特定工况下还能勉强工作，但在目标机动大或姿态变化快的场景下，线性化误差会直接导致滤波发散。这时候需要扩展卡尔曼滤波，也就是EKF。它的核心思路是在当前估计点附近对非线性函数做一阶泰勒展开，把非线性问题“局部线性化”，然后用标准卡尔曼滤波的流程继续算。

6.2 EKF与线性卡尔曼公式的差别

EKF的状态预测公式变成：

x_pred = f(x(k-1), u(k-1)) P_pred = F * P(k-1) * F' + Q

其中f是非线性状态转移函数，F是f对状态向量的雅可比矩阵，在当前估计点处计算。观测更新类似：

K = P_pred * H' * (H * P_pred * H' + R)^(-1) x(k) = x_pred + K * (z(k) - h(x_pred)) P(k) = (I - K * H) * P_pred

注意，这里h(x_pred)是非线性观测函数，H是h的雅可比矩阵。也就是说，除了状态转移和观测计算保留了非线性函数本身，协方差传播和增益计算全部改用雅可比矩阵。雅可比矩阵的推导是EKF最容易出错的地方，符号稍微搞错一个，滤波器行为就会完全走样。

6.3 在Simulink里实现EKF的差异

在Simulink里实现EKF和线性KF在整体链路结构上差不太多，还是MATLAB Function块里写预测和更新。区别在于：

• 过程模型f不是简单的矩阵乘法，可能包含三角函数、四元数乘法等
• 需要额外计算雅可比矩阵F和H
• 如果雅可比解析推导太麻烦，可以用有限差分近似，但注意数值误差

以一个带方位角测量的目标跟踪为例。状态量是平面坐标和速度，观测值是距离r和方位角theta。观测方程：

r = sqrt(px^2 + py^2) theta = atan2(py, px)

观测雅可比矩阵H就是对这两个式子分别对px、py求偏导：

H = [px/r, py/r, 0, 0; -py/r^2, px/r^2, 0, 0]

在MATLAB Function块里，每次进入更新步都要用当前x_pred重新计算H，这一点和线性系统里H是常数矩阵有本质差异。很多人在Simulink里跑EKF时出现时好时坏的现象，基本都是在雅可比计算时用了初始状态而不是当前预测状态。

6.4 一个仿真验证的参考思路

要验证EKF的实现是否正确，可以先用一个简单的二维跟踪问题做闭环测试。人为生成一条带转弯的运动轨迹，雷达测量模块输出距离和方位角，叠加高斯噪声。EKF滤波器接收距离和方位角，输出平面坐标估计。如果滤波器工作正常，你会看到在轨迹进入转弯段时，估计误差会短暂增大然后快速收敛，这是EKF在线性化点附近处理非线性动态的典型表现。

如果误差在转弯后持续不收敛，优先检查两处：一是Q里有没有覆盖转弯带来的机动加速度，二是雅可比矩阵是否在每一步都用最新预测值更新。还有个小技巧，转弯场景下可以把Q设置成随目标角速率变化的自适应形式，但这属于EKF的进阶玩法，初学阶段先把固定Q跑通再说。

6.5 EKF之外：UKF与粒子滤波的简略提醒

EKF的局限在于一阶线性化精度有限，遇到强非线性问题时也会失效。无迹卡尔曼滤波用一组Sigma点去近似状态分布，不需要算雅可比矩阵，在强非线性下通常比EKF更稳定。粒子滤波则更进一步，用大量随机样本近似任意分布，理论上可以处理非高斯问题，但计算量明显更高。

在Simulink里实现UKF，MATLAB Function块同样能搞定，核心代码变成生成Sigma点、通过非线性函数传播、加权计算均值和协方差。粒子滤波则更重，往往需要写独立的MATLAB函数文件或者S-Function，运行速度也更慢。对大多数工程场景，EKF已经够用，只有在EKF明显发散而UKF能收敛的强非线性场景下，才值得升级到UKF。粒子滤波更多用在对象定位等需要处理多模态分布的场景，一般控制类项目很少首选它。

最后说点个人体会

卡尔曼滤波这个东西，从原理到Simulink落地，最难的往往不是公式本身，而是把“物理直觉”翻译成“矩阵参数”的那一步。我自己的学习路径是先拿一个最简单的匀速运动模型跑通仿真，再逐步加入噪声统计、调Q、调R，最后才延伸到多传感器融合和EKF。如果一上来就照着惯性导航的完整框架去啃，很容易被姿态矩阵和误差方程绕晕。建议你也在Simulink里从一维位置估计开始，把五个公式的每一步都打上disp或者用Scope观测，亲眼看到预测协方差和卡尔曼增益的变化，再进入更复杂的场景。这样走过一遍之后，你会发现卡尔曼滤波不是玄学，只是一套把不确定性管理得明明白白的方法论。