1. 项目概述：当控制理论遇上Simulink可视化建模
在控制工程领域，扩展卡尔曼滤波（EKF）就像一位经验丰富的导航员，能够在充满噪声的系统中准确估计状态变量。而Simulink作为MATLAB的图形化建模环境，相当于为工程师提供了直观的"乐高积木"，让我们可以通过拖拽模块的方式构建复杂控制系统。当这两者结合时，即使是非线性系统的状态估计问题也能迎刃而解。
这个示例特别适合三类人群：正在学习现代控制理论的学生、需要处理传感器噪声的嵌入式系统工程师，以及任何对非线性系统状态估计感兴趣的实践者。通过这个建模过程，你将掌握如何把教科书上的矩阵方程转化为可运行的仿真模型，理解参数调整对滤波效果的影响，并获得可直接复用到实际项目中的建模框架。
2. EKF核心原理与Simulink实现路径
2.1 扩展卡尔曼滤波的数学内核
EKF本质上是经典卡尔曼滤波在非线性系统中的推广方案。其核心思想是通过泰勒展开对非线性函数进行局部线性化，具体实现涉及五个关键方程：
- 状态预测方程：x̂ₖ⁻ = f(x̂ₖ₋₁, uₖ₋₁)
- 协方差预测：Pₖ⁻ = Fₖ₋₁Pₖ₋₁Fₖ₋₁ᵀ + Qₖ₋₁
- 卡尔曼增益计算：Kₖ = Pₖ⁻Hₖᵀ(HₖPₖ⁻Hₖᵀ + Rₖ)⁻¹
- 状态更新：x̂ₖ = x̂ₖ⁻ + Kₖ(zₖ - h(x̂ₖ⁻))
- 协方差更新：Pₖ = (I - KₖHₖ)Pₖ⁻
在Simulink中实现时，这些方程将转化为以下模块组合：
- MATLAB Function模块：封装状态转移函数f(x,u)和观测函数h(x)
- Matrix Concatenation：构建雅可比矩阵F和H
- Memory模块：实现状态变量的时间延迟
- Gain模块：完成矩阵乘法运算
2.2 Simulink建模的模块化设计思路
一个完整的EKF仿真模型通常包含三大子系统：
- 被控对象模型：模拟真实系统的动力学特性
- EKF估计算法：实现上述五个核心方程
- 可视化比较：将估计值与真实值并置对比
对于二阶非线性系统示例，典型参数设置为：
matlab复制Q = diag([0.1 0.1]); % 过程噪声协方差
R = 0.5; % 观测噪声方差
P0 = eye(2)