企业官网建设流程全解析

做状态估计的同行应该都有同感：线性卡尔曼滤波（KF）是入门教材里的明星，但一到实际工程项目，系统稍微带点非线性，教材里那套标准公式就推不动了。这时候扩展卡尔曼滤波（EKF）就成了最顺手的工具。最近我把手头积累的EKF相关代码、调参经验整理成了一套MATLAB下的卡尔曼工具箱，正好借这篇博文把里面的设计思路、关键实现和踩过的坑完整梳理一遍。文章核心围绕EKF算法源码展开，从原理拆解到MATLAB实现，再到雷达目标跟踪的完整案例，适合正在做导航定位、目标跟踪、状态估计的工程师，也适合研究生刚接触滤波算法、想快速把理论跑通的初学者。

先说结论：EKF本质上就是“对非线性系统做一阶泰勒展开，然后套用线性卡尔曼的框架”。但实际工程里，光知道这个结论远远不够。雅可比矩阵怎么求、噪声协方差怎么定、滤波发散怎么排查、工具箱怎么封装才能在不同项目里复用，这些才是真正决定算法能不能上线的关键。我整理这套工具箱的目标就是把这些经验固化成代码，让EKF不再是论文里的公式，而是可以随手调用的工具。

1. 从线性卡尔曼到扩展卡尔曼：弄懂EKF到底是什么

很多初学者上来就背EKF公式，结果调参时一塌糊涂。所以我建议先把原理背后的“为什么”搞清楚，后面写代码、调bug才会有方向感。

1.1 线性卡尔曼的两步黄金流程

标准的线性卡尔曼滤波解决的是这样一个问题：系统状态随时间线性演化，观测也是状态的线性函数。它的核心流程只有两步。

预测步，用上一时刻的状态估计和协方差矩阵，推算当前时刻的先验估计：

x_pri = F * x_post P_pri = F * P_post * F' + Q

更新步，用当前时刻的观测值修正先验估计，得到后验估计：

K = P_pri * H' * inv(H * P_pri * H' + R) x_post = x_pri + K * (z - H * x_pri) P_post = (I - K * H) * P_pri

这里的F是状态转移矩阵，H是观测矩阵，Q是过程噪声协方差，R是观测噪声协方差。这个框架极其优雅：估计值的不确定度用协方差矩阵显式表达，卡尔曼增益K则负责权衡“相信模型预测”还是“相信观测数据”。

但问题来了：实际工程里F和H往往不是常数矩阵。目标做转弯机动时，状态方程带三角函数；雷达测距测角时，观测方程带根号和反正切。这时候线性卡尔曼直接失效，EKF就是为此而生的。

1.2 EKF改了什么：雅可比矩阵与一阶线性化

EKF的思想非常朴素：既然系统是非线性的，那就把它在当前状态估计点附近做一阶泰勒展开，用雅可比矩阵代替原来的常数矩阵F和H。

具体来说，非线性状态方程和观测方程可以写成：

x_k = f(x_{k-1}) + w_k z_k = h(x_k) + v_k

其中w和v分别表示过程噪声和观测噪声。EKF在预测步里，用f直接传播状态均值，但协方差的传播需要用到f对状态的雅可比矩阵F_k；更新步里，观测预测值由h直接计算，但协方差和增益的计算需要用到h对状态的雅可比矩阵H_k。

这个“用雅可比矩阵代替常数矩阵”的做法，就是全部的秘密。理解了这一点，你就知道EKF代码里最核心的工作其实是两件事：推导雅可比矩阵、写对矩阵更新公式。

1.3 为什么工程上更常用EKF而不是UKF/PF

做项目时会有人问：既然EKF要做线性化近似，存在截断误差，为什么不直接用无迹卡尔曼滤波（UKF）或者粒子滤波（PF）？

我的经验是：EKF在工程中的统治地位，靠的不是精度，而是性价比。UKF不需要求雅可比矩阵，对强非线性系统精度更好，但计算量大约是EKF的3到5倍，状态维数一高，差距更明显。粒子滤波理论上能处理任意非线性非高斯系统，但粒子数和实时性之间的博弈在嵌入式平台上往往不可调和，而且粒子退化问题本身就够头疼的。

实际项目中，大部分系统的非线性程度并没有那么夸张。只要采样时间足够短、线性化点在真实状态附近，EKF的精度完全够用。更重要的是，EKF的雅可比导数信息本身就是一种系统可观性分析的依据，对工程调试非常有价值。所以我做工具箱时优先把EKF做扎实，UKF作为扩展接口预留，而不是反过来。

2. 卡尔曼工具箱的设计思路与实现细节

工具箱这东西，最忌讳的是把代码写得只能在某个项目里跑通。我做这套工具箱时定了一个原则：核心滤波逻辑与具体问题完全解耦，换一个场景只需要替换状态方程和观测方程两个函数。下面说说具体怎么设计。

2.1 工具箱的整体架构：函数式封装与句柄传参

MATLAB里面实现EKF，我看过很多种写法。有人喜欢写一个大脚本，从数据生成到滤波到画图全塞在一起；有人喜欢用面向对象的方式写滤波器类。我的选择是折中：用函数式封装，状态方程、观测方程和雅可比矩阵全部用函数句柄传入，滤波核心是一个独立函数。

这样做的好处有三个。第一，每个函数职责单一，出了问题单独调试；第二，滤波核心代码不涉及具体业务逻辑，可以跨项目复用；第三，函数句柄的传参方式让工具箱像插件一样灵活，换模型不需要动核心代码。

工具箱的文件结构大致如下：

kalman_toolbox/ ├── ekf_predict.m % 预测步 ├── ekf_update.m % 更新步 ├── ekf_run.m % 串联预测和更新的主循环 ├── ex_radar_tracking.m % 雷达目标跟踪示例 └── utils/ ├── jacobian_numerical.m % 数值雅可比 └── check_positive_definite.m % 协方差正定性检查

2.2 核心函数接口设计

预测步函数的设计思路是：不关心你的系统长什么样，只要给我当前状态、协方差、状态方程雅可比和过程噪声协方差，我就帮你把预测算完。

function [x_pri, P_pri] = ekf_predict(x_post, P_post, f, F_x, Q, dt) % EKF预测步 % 输入: % x_post - 上一时刻后验状态向量 (n x 1) % P_post - 上一时刻后验协方差矩阵 (n x n) % f - 状态方程函数句柄 @(x, dt) % F_x - 状态转移雅可比矩阵 (n x n) % Q - 过程噪声协方差矩阵 (n x n) % dt - 采样时间 % 输出: % x_pri - 先验状态估计 % P_pri - 先验协方差矩阵 x_pri = f(x_post, dt); P_pri = F_x * P_post * F_x' + Q; end

更新步同样保持纯粹：

function [x_post, P_post, K] = ekf_update(x_pri, P_pri, h, H_x, z, R) % EKF更新步 % 输入: % x_pri - 先验状态估计 (n x 1) % P_pri - 先验协方差矩阵 (n x n) % h - 观测方程函数句柄 @(x) % H_x - 观测雅可比矩阵 (m x n) % z - 当前观测向量 (m x 1) % R - 观测噪声协方差矩阵 (m x m) % 输出: % x_post - 后验状态估计 % P_post - 后验协方差矩阵 % K - 卡尔曼增益 z_hat = h(x_pri); S = H_x * P_pri * H_x' + R; K = P_pri * H_x' / S; % 用右除代替inv，数值更稳定 x_post = x_pri + K * (z - z_hat); P_post = (eye(size(x_pri, 1)) - K * H_x) * P_pri; end

注意这里的两个工程细节。一是用矩阵右除/代替inv求逆，MATLAB里inv(S)不仅慢，数值稳定性也差，右除的效果好很多；二是更新步的协方差公式用的是(I - K*H)*P_pri这个经典形式，虽然在某些极端数值条件下可能导致对称性丢失，但配合后面的对称化处理，整体效果更稳定。

主循环ekf_run就纯粹是串联工作了：

function result = ekf_run(zs, dt, x0, P0, f, h, Fx_func, Hx_func, Q, R) % EKF主循环 % 输入: % zs - 观测序列 (m x N) % dt - 采样时间 % x0 - 初始状态 % P0 - 初始协方差 % f, h - 状态方程、观测方程句柄 % Fx_func - 返回雅可比矩阵的函数句柄 @(x, dt) % Hx_func - 返回观测雅可比矩阵的函数句柄 @(x) % Q, R - 过程、观测噪声协方差 % 输出: % result - 结构体，包含滤波状态和协方差序列 N = size(zs, 2); n = length(x0); xs = zeros(n, N); Ps = zeros(n, n, N); x_post = x0; P_post = P0; xs(:, 1) = x_post; Ps(:, :, 1) = P_post; for k = 2:N Fx = Fx_func(x_post, dt); [x_pri, P_pri] = ekf_predict(x_post, P_post, f, Fx, Q, dt); Hx = Hx_func(x_pri); [x_post, P_post, ~] = ekf_update(x_pri, P_pri, h, Hx, zs(:, k), R); P_post = 0.5 * (P_post + P_post'); % 强制对称 xs(:, k) = x_post; Ps(:, :, k) = P_post; end result.xs = xs; result.Ps = Ps; end

2.3 协方差矩阵初始化与噪声调参的实战经验

工具箱写好了，但真正决定滤波效果的是参数。很多人在这一步翻车，我单独拎出来说。

初始协方差P0怎么设？我的建议是：不要设得太小，也不要太大。太小会让滤波器过早自信，后续观测一旦有偏差就很难纠正；太大会让滤波器前期过度依赖观测，估计值抖动剧烈。比较合理的做法是根据物理量纲估算：比如位置初始误差按“最大可能偏差”的三分之一方差来设，速度按类似逻辑折算。如果你完全没底，取观测噪声R对角元的10倍起调，通常不会出大乱子。

过程噪声Q是EKF调参的重中之重。Q描述了模型本身的可信程度——模型对运动规律的近似越粗糙，Q就应该越大。在雷达跟踪例子里，如果目标做匀速直线运动但你用CV模型建模，Q就要留出足够余量来吸收机动带来的偏差。Q太小会导致滤波发散，Q太大会让滤波输出跟着观测噪声跑，平滑效果尽失。

观测噪声R一般可以直接从传感器手册或者标定数据拿到。雷达测距的噪声标准差可能是几米，测角噪声可能是零点几度。需要注意的是把角度单位换算成弧度，这个细节看着不起眼，实际因为单位问题导致R和H对不上而发散的情况，我见过太多次了。

提示：调EKF一定要养成画残差图的习惯。所谓残差就是z - h(x_pri)，也就是新息。正常情况下新息应该是一个零均值的高斯白噪声序列。如果你的新息明显有偏或者存在相关性，基本可以断定状态方程建模或者噪声协方差设置有偏差。

3. 实战案例：雷达目标跟踪的EKF实现

理论讲完必须上手来一发。这个例子是我做工具箱时用的标准验证场景：用雷达跟踪一个做近似匀速运动的空中目标。雷达观测量是距离和方位角，状态量包括位置和速度。距离和方位角与位置之间是典型的非线性关系，正好发挥EKF的作用。

3.1 问题建模：极坐标观测下的匀速运动目标

目标在二维平面内运动，状态向量取：

x = [px, py, vx, vy]'

其中px和py是目标在x轴和y轴上的位置，vx和vy是对应方向的速度。假设采样间隔内目标做匀速直线运动，离散化后的状态转移方程是：

px_new = px + vx * dt py_new = py + vy * dt vx_new = vx vy_new = vy

状态方程f函数写出来就是：

function x_new = cv_model(x, dt) F = [1 0 dt 0; 0 1 0 dt; 0 0 1 0; 0 0 0 1]; x_new = F * x; end

虽然这个模型本身是线性的，但观测方程是非线性的。传感器返回目标的距离r和方位角theta：

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

这个从状态到观测的映射，必须用非线性函数来描述：

function z = radar_measurement(x) px = x(1); py = x(2); z = [sqrt(px^2 + py^2); atan2(py, px)]; end

现在关键来了：求雅可比矩阵。状态转移雅可比F_x因为是线性模型，直接就是上面的常数矩阵F。观测雅可比H_x需要对h函数求偏导：

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

注意第二行的量纲是1/长度，因为角度对方位的偏导需要除以距离的平方。这些细节非常容易算错，我一般建议手推一遍之后再用数值雅可比做交叉验证。

function H = radar_jacobian(x) px = x(1); py = x(2); r = sqrt(px^2 + py^2); r2 = r^2; H = [px/r, py/r, 0, 0; -py/r2, px/r2, 0, 0]; end

3.2 完整MATLAB代码与逐段解读

下面直接上完整的主脚本。这个脚本生成真实轨迹和带噪声的观测，然后用EKF工具箱做滤波，最后画图对比。

%% EKF示例：雷达目标跟踪 clear; clc; close all; addpath('utils'); % 工具箱工具函数 % 仿真参数设置 dt = 0.1; % 采样周期，单位秒 T = 50; % 仿真时间，单位秒 N = T / dt; % 总采样点数 % 真实轨迹参数：沿x方向运动，带一点y方向漂移 t = (0:N-1) * dt; px_true = 1000 + 50 * t; py_true = 2000 + 20 * t + 0.05 * t.^2; vx_true = 80 * ones(1, N); vy_true = 20 + 0.1 * t; % 生成量测（距离 + 方位角） r_true = sqrt(px_true.^2 + py_true.^2); theta_true = atan2(py_true, px_true); % 噪声参数 sigma_r = 15; % 距离噪声标准差，单位米 sigma_theta = 1 * pi / 180; % 方位角噪声标准差，单位弧度 R = diag([sigma_r^2, sigma_theta^2]); r_meas = r_true + sigma_r * randn(1, N); theta_meas = theta_true + sigma_theta * randn(1, N); zs = [r_meas; theta_meas]; % 初始状态与协方差 x0 = [r_meas(1) * cos(theta_meas(1)); r_meas(1) * sin(theta_meas(1)); 0; 0]; % 初始速度设为0 P0 = diag([100, 100, 100, 100]); % 位置和速度都不确定 % 过程噪声协方差 q = 2; % 加速度噪声强度 Q = diag([q^2, q^2, q^2, q^2]); % 运行EKF result = ekf_run(zs, dt, x0, P0, @cv_model, @radar_measurement, ... @(x, dt) cv_model_jacobian(x), @radar_jacobian, Q, R); xs = result.xs; % 画图 figure('Position', [100 100 800 300]); subplot(1, 2, 1); plot(px_true, py_true, 'k--', 'LineWidth', 1.5); hold on; px_meas = r_meas .* cos(theta_meas); py_meas = r_meas .* sin(theta_meas); plot(px_meas, py_meas, '.', 'MarkerSize', 3); plot(xs(1, :), xs(2, :), 'r-', 'LineWidth', 1); legend('真实轨迹', '观测位置', 'EKF估计', 'Location', 'best'); xlabel('x方向位置/m'); ylabel('y方向位置/m'); title('雷达目标跟踪轨迹'); grid on; axis equal; subplot(1, 2, 2); pos_error = sqrt((xs(1, :) - px_true).^2 + (xs(2, :) - py_true).^2); plot(t, pos_error, 'b-', 'LineWidth', 1); xlabel('时间/s'); ylabel('位置误差/m'); title('EKF位置估计误差'); grid on;

这里有两个辅助函数没有在代码里完整列出，一个是cv_model_jacobian，直接返回CV模型的常数矩阵F；另一个是数值雅可比函数，用于交叉验证。前者很简单：

function F = cv_model_jacobian(~, dt) F = [1 0 dt 0; 0 1 0 dt; 0 0 1 0; 0 0 0 1]; end

3.3 结果分析与精度评估

跑完上面的代码，你会看到两条核心结论。第一，滤波轨迹明显比原始观测点平滑得多，说明EKF有效利用了运动模型的先验约束；第二，位置误差曲线在初始阶段有一个明显的收敛过程，然后稳定在一个水平附近，说明滤波器进入了稳态。

稳态误差大概在什么量级？这是衡量滤波器是否调好的关键指标。先算一下理论下界：位置观测噪声标准差约15米，由于观测更新是每秒10次（dt=0.1），而且有位置和角度两个维度的信息约束，稳态位置误差一般能压缩到5到8米左右。如果实际误差明显大于这个数，优先检查Q是否设置过大，导致滤波输出追着观测噪声走。

还有一个细节值得注意：方位角噪声对横向位置的扰动与距离相关。距离越远，同样的角度噪声换算到位置域就越大。这个效应在画误差椭圆时特别明显，距离目标较远时椭圆会被拉得很长。我在工具箱里加了一个绘制协方差椭圆的小工具，用P矩阵的两个特征值决定椭圆长短轴方向，能够直观看到每个时刻的不确定度分布，对分析滤波器行为帮助很大。

function plot_error_ellipse(ax, P_xy, mu_xy, n_std, color) % 在指定坐标轴上绘制误差椭圆 % P_xy : 位置子块的协方差矩阵 % mu_xy : 位置均值 [px; py] % n_std : 椭圆尺寸，单位标准差倍数（通常取3) [V, D] = eig(P_xy); theta = linspace(0, 2*pi, 100); ellipse = V * sqrt(D) * [n_std*cos(theta); n_std*sin(theta)]; plot(ax, mu_xy(1) + ellipse(1, :), mu_xy(2) + ellipse(2, :), color, 'LineWidth', 1); end

3.4 案例扩展：从雷达跟踪到电池SOC估计

雷达目标跟踪只是工具箱的第一个应用场景。让工具箱真正复用起来的关键，是理解“状态方程+观测方程”这一组合如何迁移到其他问题。

比如热词里频繁出现的电池SOC估计问题。电池的荷电状态无法直接测量，我们能拿到的是端电压和电流。把SOC作为状态量，状态方程可以简化为库仑计数模型：SOC_new = SOC_old - I * dt / Q_battery；观测方程则是开路电压与SOC之间的非线性映射关系，通常用多项式或查表表示。整个EKF框架原封不动，只需要替换掉f和h两个函数以及对应的雅可比矩阵。

我自己做过一个锂电池SOC估计项目，用EKF处理带噪声的电压电流数据，SOC估计误差能控制在3%以内，而纯库仑计数法因为电流采样误差积累，半小时后就飘得没法看了。这就是EKF“用模型修正观测、用观测修正模型”这个闭环带来的核心价值。工具箱里预留了电池模型的示例目录，把cv_model和radar_measurement替换成电池模型和电压方程即可复用。

4. 工具箱扩展：从EKF到UKF与工程部署衔接

工具箱如果只停留在算法验证阶段，价值就打折了。实际项目中，滤波器最终要跑在实时系统上，要和Simulink模型联调，甚至要部署到嵌入式设备里。这一章我讲讲扩展和衔接的几个方向。

4.1 基于工具箱扩展到UKF

EKF的雅可比矩阵是手推的，容易出错，而且对强非线性系统精度有限。工具库里我预留了UKF的接口，逻辑很简单：既然EKF的预测和更新分别需要F_x和H_x，而UKF通过Sigma点传播来隐式处理非线性，那么只需要把ekf_predict和ekf_update替换成ukf_predict和ukf_update即可。

UKF不需要求雅可比矩阵，但对非线性函数的调用次数会明显增多：状态维数为n时，每个周期至少需要生成2n+1个Sigma点并分别通过f和h传播。以4维状态为例，EKF每个周期只需要一次f和一次h计算，UKF则需要9次f和9次h计算，计算量差距就在这。

我的建议是：如果系统非线性程度较低、雅可比矩阵推导简单，用EKF；如果系统的非线性函数包含强非线性项比如姿态四元数、大角度机动，或者雅可比矩阵推导实在算不清楚，切换成UKF，工具箱里两条路径共用同一套主循环接口，切换成本几乎为零。

4.2 与Simulink的联合仿真

很多工程师习惯用Simulink搭系统模型，但EKF算法放在MATLAB脚本里更方便调试。我的做法是用MATLAB Function模块把滤波核心做成一个可调用的函数，在Simulink的每个采样周期里调用ekf_predict和ekf_update。

这里有一个很重要的实践建议：不要把整个工具箱的代码都塞进MATLAB Function模块，Simulink的代码生成对这个有限制。正确做法是把ekf_predict.m和ekf_update.m两个核心文件放到一个单独的目录，在模型的MATLAB Function里引用它们，并且确保所有输入输出维度固定，不出现动态大小的数组。这样才能为后续的代码生成和硬件在环测试铺平道路。

联合仿真还有一个好处：可以用Simulink自带的可变步长求解器验证EKF在不同采样时间下的表现，这对确定实际系统的采样周期上限很有参考价值。

4.3 与外部代码的衔接

热词里面有几个关于MATLAB与C++交互的搜索，我在项目里也遇到类似需求。EKF最终要在嵌入式平台上运行，常见的方法有两种：一是用MATLAB Coder对滤波核心代码生成C++代码，二是在C++工程里自行移植算法。

用MATLAB Coder这条路，要求你在写工具箱的时候就注意代码的可生成性。比如尽量避免在核心函数里动态分配数组、尽量用定长数组、不要用eval这类运行时反射机制。我在工具箱里特意把核心函数都写成这种风格，实测下来用MATLAB Coder生成C++代码几乎不需要额外修改，只不过生成后的代码里矩阵运算展开成多层循环，性能反而比MATLAB里跑还要快。

如果你不想用代码生成，纯手写C++移植也不难。EKF算法本地化之后总共就这么几个矩阵运算：矩阵乘法、矩阵转置、矩阵求逆。嵌入式平台上的线性代数库比如Eigen能把这些运算封装得很好。之前做过一个基于STM32的无人机姿态估计项目，就是用Eigen库手写了EKF，核心代码量不到300行，跑在180MHz的MCU上完全无压力。

5. 常见问题与调试实录

工具箱给同事用过几轮之后，我发现大家遇到的问题出奇地一致。这一章把高频踩坑点按症状、原因、解决方案整理成表格，多数是我自己调过的真实情况。

角度归一化的问题值得单独说。雷达方位角的观测值和预测值可能在π附近出现“跳变”，比如真实角度是179度，预测值是-179度，直接相减得到358度的残差，滤波器会被这个假残差带偏。处理方式很粗暴也有效：残差计算完之后，对角度分量做atan2(sin(residual), cos(residual))，把残差限制在-π到π之间。这个细节在EKF实现里极其常见，几乎每本教材都没写，但实际调代码时必踩。

数值雅可比是排查雅可比错误的神器。手推雅可比矩阵很容易错一两个符号，或者漏掉一个链式法则项。我在调试工具箱时习惯用差分法做一次交叉验证：

function H_num = numerical_jacobian(h, x, eps) % 数值雅可比：用中心差分近似偏导数 n = length(x); H_num = zeros(length(h(x)), n); for i = 1:n xp = x; xm = x; xp(i) = xp(i) + eps; xm(i) = xm(i) - eps; H_num(:, i) = (h(xp) - h(xm)) / (2 * eps); end end

把解析雅可比和数值雅可比的结果放在一起对比，如果差异小于1e-6，基本可以放心；如果差异明显，就逐个元素检查偏导求解过程。这个交叉验证虽然不能放到实时系统里，但作为调试验证代码如下值得长期保留。

还有一个容易忽略的点：Q矩阵和R矩阵必须保证正定。MATLAB里不用管，但做代码生成或者移植到C++时，如果矩阵经过多次乘法后失去了正定性，会导致Cholesky分解失败。工具箱里的check_positive_definite函数会在每个周期检查特征值，一旦发现零或负特征值就给出警告并做对角扰动处理，防止滤波静默失效。

另外提醒一句：如果你从网上下载“MATLAB 2026b密钥”或者“linux matlab 2021b密钥”这类资源，风险很高。且不论版权问题，很多来路不明的安装包和破解文件本身就带木马，编译器性能、随机数种子都会受影响，滤波结果根本没法保证可靠。MATLAB官方对学生和开源开发者有价格友好的授权渠道，这部分成本不该省。

6. 工具箱的使用心得与未来扩展

最后聊几点个人体会，都是整理这套工具箱时最深的感受。

第一，EKF最难的从来不是公式推导，而是建模和调参。公式就那几次矩阵运算，半天能写完代码。但状态变量怎么选、噪声协方差怎么设、采样时间怎么定，每一个都直接决定滤波效果。这些经验无法从教材里直接学到，必须在具体项目里反复打磨。

第二，工具箱的价值在于积累。我最早写的EKF代码也是一坨脚本，状态更新和画图全混在一起。后来做了几个项目，慢慢把公共部分抽出来，才有了现在这套干净接口。建议读者自己也建立这样的习惯：每次做完一个滤波项目，把状态方程、观测方程、雅可比矩阵这些模型相关的代码和滤波主循环分开，沉淀成自己的工具库。几个月后你会发现，新项目上手速度提升的不止一倍。

第三，EKF和数据驱动方法不是互斥的。最近深度学习、BILSTM这类方法在SOC估计和状态预测领域非常火，很多人的第一反应是用神经网络完全替代传统滤波。但我实际做下来，更稳的路线是把EKF和数据驱动结合起来——用神经网络学习系统的未建模残差，EKF负责处理随机噪声和状态约束。工具箱里的EKF核心完全可以用作这个混合方案的状态估计底座。

这套卡尔曼工具箱我还在持续完善，下一步计划就是把更多传感器融合场景加进去，比如GPS与惯导的组合导航、视觉与里程计的融合定位。无论是做研究还是做工程，EKF作为状态估计的基石，值得每个从业者把它用扎实。希望这篇博文能帮你少踩一些我踩过的坑，快速把算法跑起来、调通、落地。