1. 从咖啡杯里的气泡说起:为什么需要卡尔曼滤波
我盯着咖啡杯里不断上升的气泡,突然意识到这像极了传感器采集的数据——看似有规律,实则充满随机抖动。上周调试无人机高度传感器时,那些跳动的数值让我头疼不已,直到重新捡起卡尔曼滤波这个老朋友。
卡尔曼滤波本质上是个"数据美容师"。想象你在用一把不断晃动的尺子测量固定长度的桌子(定值模型),或者用不太准的雷达跟踪匀速行驶的汽车(匀速模型),亦或是预测火箭加速轨迹(匀加速模型)。这些场景里,卡尔曼滤波能帮你:
- 融合多源信息(预测值+观测值)
- 动态评估各信息来源的可信度(协方差矩阵)
- 给出当前最优估计(状态更新)
关键认知:卡尔曼滤波不是让数据更"准",而是让数据更"合理"。就像老练的咖啡师能透过气泡判断最佳萃取时机。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 定值模型:新手村的第一把木剑
2.1 场景还原:电子秤的自我修养
我的厨房电子秤最近开始抽风——放上500g砝码,读数在480g~520g间跳舞。这种静态测量正是定值模型(Constant Model)的典型场景:
python复制# 状态空间表示(一维情况)
x_k = x_{k-1} # 状态方程(真实重量不变)
z_k = x_k + v_k # 观测方程(测量值=真实值+噪声)
2.2 手撕公式:五步搞定滤波
-
预测阶段:
- 状态预测:$\hat{x}k^- = \hat{x}$
- 误差协方差预测:$P_k^- = P_{k-1} + Q$ (Q为过程噪声)
-
更新阶段:
- 卡尔曼增益:$K_k = P_k^- / (P_k^- + R)$ (R为观测噪声)
- 状态更新:$\hat{x}_k = \hat{x}_k^- + K_k(z_k - \hat{x}_k^-)$
- 协方差更新:$P_k = (1 - K_k)P_k^-$
避坑指南:Q和R的比值决定滤波器性格。我的经验是初始设Q/R=0.1,再根据实际响应调整。太小的Q会让滤波器反应迟钝。
2.3 代码实战:20行Python实现
python复制import numpy as np
class ConstantKalman:
def __init
