Reinforced Anchor Knowledge Graph--Review
2026/6/19 18:07:58
在卡尔曼滤波中，观测值和预测值的权重由卡尔曼增益动态决定。这个权重不是固定的，而是根据两者当前的不确定性（误差大小）实时计算得出。
核心规则：谁更可靠，就赋予更高权重
1. 权重计算公式（直观理解）
卡尔曼增益 K = 预测的不确定性 / (预测的不确定性 + 观测的不确定性)
2. 三种典型情况：
| 情况 | 预测不确定性 | 观测不确定性 | 卡尔曼增益 K | 权重分配 | 最终估计偏向 |
|---|---|---|---|---|---|
| GPS信号极好 （观测很准） | 大 | 很小 | 接近 1 | 观测值权重高 | 强烈信任观测值 （用观测值大幅修正预测） |
| 运动模型极准 （预测很准） | 很小 | 大 | 接近 0 | 预测值权重高 | 强烈信任预测值 （用观测值微调预测） |
| 两者误差相当 | 中等 | 中等 | 约 0.5 | 均衡权重 | 取两者折中值 |
3. 具体计算过程（简化版）：
预测的不确定性 = P_pred（预测协方差） 观测的不确定性 = R（观测噪声协方差） 卡尔曼增益 K = P_pred / (P_pred + R) 最终估计值 = 预测值 + K × (观测值 - 预测值) 观测值权重 ≈ K 预测值权重 ≈ 1-K
4. 实际例子：
假设预测位置是 x=100米，观测位置是 x=110米：
K = 10/(10+1) ≈ 0.91
最终位置 = 100 + 0.91×(110-100) ≈ 109.1米 → 很接近观测值K = 1/(1+10) ≈ 0.09
最终位置 = 100 + 0.09×(110-100) ≈ 100.9米 → 很接近预测值
5. 关键点：
不确定性是动态变化的：每轮迭代都会更新预测的不确定性（P_pred）
权重自动调节：无需人工设置，完全由数据驱动
数学上最优：在高斯噪声假设下，这种权重分配能给出最小均方误差估计
一句话总结：
卡尔曼滤波通过实时比较预测和观测两者的误差大小，自动将更高的权重分配给当前更可靠的信息源——如果观测更准就多信观测，如果预测更准就多信预测。