卡尔曼滤波器（Kalman Filter）是一种高效的递归数学算法，用于从不完全或包含噪声的测量数据中，动态估计系统的状态。它广泛应用于导航、控制、信号处理、机器人、金融建模等领域（如GPS定位、自动驾驶、目标跟踪等）。

核心思想

1. 最优估计
   在存在不确定性的情况下（如传感器噪声、模型误差），卡尔曼滤波器通过融合预测值和测量值，得到系统状态的最优估计（最小化估计误差的方差）。

2. 递归过程
   每次估计仅依赖上一次的估计值和当前的测量值，无需存储历史数据，计算效率高。

核心公式（简化版）

卡尔曼滤波器包含两个交替进行的步骤：

1. 预测（Predict）

• 状态预测：
  (\hat{x}k^- = A \hat{x}{k-1} + B u_k)
  （基于系统模型预测当前状态 (\hat{x}_k^-)）
• 误差协方差预测：
  (Pk^- = A P{k-1} A^T + Q)
  （预测估计的不确定性 (P_k^-)，(Q) 是过程噪声协方差）

2. 更新（Update）

• 计算卡尔曼增益：
  (K_k = P_k^- H^T (H P_k^- H^T + R)^{-1})
  （权衡"预测值"与"测量值"的权重，(R) 是测量噪声协方差）
• 状态更新：
  (\hat{x}_k = \hat{x}_k^- + K_k (z_k - H \hat{x}_k^-))
  （用测量值 (z_k) 修正预测值）
• 协方差更新：
  (P_k = (I - K_k H) P_k^-)
  （更新估计的不确定性 (P_k)）

关键参数：

• (A)：状态转移矩阵（描述系统动态）
• (H)：观测矩阵（连接状态与测量值）
• (Q, R)：过程噪声和测量噪声的协方差（需预先设定或校准）

通俗比喻

想象你在雾中驾驶无人机：

• 预测：根据速度和方向推测下一秒的位置（可能不精确）。
• 更新：用GPS测量当前位置（可能有误差），将推测和测量加权融合，得到更可靠的位置估计。
  卡尔曼滤波器就是自动完成这个"推测+校准"的智能算法。

核心优势

• 实时处理动态系统，适应状态变化。
• 有效抑制噪声，精度高于单一测量或预测。
• 计算高效，适合嵌入式系统（如无人机、机器人）。

典型应用场景

数学本质

卡尔曼滤波器本质是贝叶斯推断的实现：

• 预测：先验估计（Prior）
• 更新：融合似然（Likelihood）得到后验估计（Posterior）

其最优性基于最小均方误差（MMSE） 准则，且在高斯噪声假设下是闭式最优解。

如果需要深入特定公式、代码实现（如Python示例）或扩展变种（如EKF/UKF），可进一步说明！