上篇聊了传感器数据融合的基础——为什么要融合、融合的层次、集中式和分布式架构的区别。讲到融合的具体实现时，我提了一嘴卡尔曼滤波，说它是传感器融合中最核心的工具。

这话真不是吹的。你去面试任何一家做移动机器人的公司，面试官问"你了解卡尔曼滤波吗"，这基本是送分题——你要答不上来，后面聊SLAM、聊控制理论都没底气。

但卡尔曼滤波这个东西，教科书上的公式看着吓人，网上博客讲得又太抽象。今天这篇，我想换个方式——从直觉出发，把预测-更新这个循环掰开了讲清楚，让你面试的时候能用自己的话讲出来，而不是背公式。

从一个最蠢的例子说起

想象你蒙着眼睛在一片空旷的平地上走路。你只知道两件事：

1. 你每一步大概走多远（但不太准，可能走多了也可能走少了）
2. 有个朋友在旁边看着你，时不时告诉你"你现在大概在哪个位置"（但他眼神也不太好）

你怎么确定自己的位置？

这就是卡尔曼滤波要解决的核心问题——结合"我知道大概会怎样"和"我看到的测量值"，得到一个比两者都更准的估计。

你的步伐信息就是预测，朋友的提示就是更新。卡尔曼滤波做的事情，说白了就是这个预测-更新循环的不断重复。

预测步：我觉得我会到哪

每一步预测，卡尔曼滤波干的事情就两件事：

预测状态：根据上一步的最优估计和运动模型，推算这一步的状态。比如上一步你估计自己在(3, 0)的位置，速度是1m/s向东，那0.1秒后你大概在(3.1, 0)。

预测协方差：这个估计有多不确定？因为上一步的估计本身就有误差，运动模型也不完美，所以预测的不确定性一定会比上一步大。协方差矩阵就是描述这种不确定性的。

用数学表达就是：

# 预测步
x_pred = F @ x_prev + B @ u  # 状态预测
P_pred = F @ P_prev @ F.T + Q  # 协方差预测

这里F是状态转移矩阵（描述系统怎么从一步变到下一步），B @ u是控制输入（比如你的加速度），Q是过程噪声协方差（模型有多不准）。

面试的时候，面试官问你"预测步的物理意义是什么"，你就说：预测步就是拿上一步最好的估计，往前推一步。但因为模型不完美、上一步估计也有误差，所以预测结果的不确定性一定比上一步大——协方差矩阵变大了。

更新步：看到测量值后修正

预测完了，你拿到了一个新的传感器测量值。这个测量值准不准？不一定。但它提供了新的信息，你应该用它来修正你的预测。

更新步也干两件事：

计算卡尔曼增益：这个增益是个权重，决定了"我到底该更相信预测还是更相信测量"。如果预测很准（协方差小），增益就小，更相信预测。如果测量很准（测量噪声小），增益就大，更相信测量。

修正状态和协方差：用测量值和预测值的差（叫"新息"），乘以卡尔曼增益，修正预测状态。同时，因为融合了新的测量信息，不确定性减小了——协方差矩阵变小。

# 更新步
K = P_pred @ H.T @ np.linalg.inv(H @ P_pred @ H.T + R)  # 卡尔曼增益
x_est = x_pred + K @ (z - H @ x_pred)  # 状态更新
P_est = (np.eye(n) - K @ H) @ P_pred  # 协方差更新

这里H是观测矩阵（把状态空间映射到测量空间），R是测量噪声协方差，z是实际测量值，z - H @ x_pred就是新息。

讲真，卡尔曼增益的物理意义是面试高频考点。你就记住一句话：卡尔曼增益是一个最优权重，它在"预测的不确定性"和"测量的不确定性"之间做权衡，使得最终估计的均方误差最小。

为什么叫"最优"？它有啥假设？

卡尔曼滤波被称为"最优"估计器，但这个最优是有前提的：

1. 系统是线性的：状态转移和观测都必须是线性关系。如果不是线性的，就得用扩展卡尔曼滤波（EKF）或无迹卡尔曼滤波（UKF），后面两篇会讲。
2. 噪声是高斯的：过程噪声和测量噪声都服从高斯分布。这个假设在实际中通常近似成立（中心极限定理嘛）。
3. 噪声统计特性已知：Q和R矩阵你得提前知道或者调出来。这个在工程上是个大坑——Q和R的调参直接影响滤波效果，但很多时候只能靠经验或者反复试验。

面试的时候，如果面试官问"卡尔曼滤波的局限性是什么"，你就说这三条。然后补充一句"实际应用中最大的问题是Q和R的调参，以及线性假设在很多系统中不成立"。面试官会觉得你真的做过工程。

一个完整的Python示例

来看一个一维匀速运动跟踪的例子。假设一个目标沿直线匀速运动，我们用位置传感器来跟踪它。

import numpy as np

dt = 0.1  # 时间步长
F = np.array([[1, dt], [0, 1]])  # 状态转移矩阵
H = np.array([[1, 0]])  # 观测矩阵
Q = np.array([[0.01, 0], [0, 0.01]])  # 过程噪声
R = np.array([[0.5]])  # 测量噪声

x = np.array([[0], [1]])  # 初始状态 [位置, 速度]
P = np.eye(2)  # 初始协方差

for z_meas in measurements:
    # 预测
    x_pred = F @ x
    P_pred = F @ P @ F.T + Q
    # 更新
    S = H @ P_pred @ H.T + R
    K = P_pred @ H.T @ np.linalg.inv(S)
    x = x_pred + K @ (np.array([[z_meas]]) - H @ x_pred)
    P = (np.eye(2) - K @ H) @ P_pred

这个例子虽然简单，但包含了卡尔曼滤波的全部核心逻辑。实际工程中，比如机器人定位，状态向量会变成[x, y, yaw, vx, vy, omega]六维，F和H矩阵会复杂一些，但预测-更新的框架完全一样。

工程中Q和R怎么调

讲真，教科书上从不讲这个，但这恰恰是工程中最头疼的问题。

R（测量噪声）相对好搞。如果你用的是厂家给的传感器规格书，上面通常会写精度（比如GPS定位精度±2m），你可以把这个精度当作标准差，平方一下就得到R。如果条件允许，做个静态实验——让传感器静止不动，采几百个数据，算方差，就是R。

Q（过程噪声）就麻烦了。它描述的是"你的运动模型有多不准"。如果你用匀速模型，但实际运动有加速度变化，那Q就得大一些来吸收这些未建模的加速度。经验做法是：先把Q设小，看滤波结果是否跟不上实际轨迹（滞后），如果滞后了就加大Q。反过来，如果滤波结果跳变太厉害，说明Q太大了，测量噪声的影响太大，减小Q。

之前做AMR的时候，我们在调EKF的Q矩阵上花了整整两周。最后发现，与其用一个固定的Q，不如根据机器人的运动状态动态调整——直线匀速时Q小一些，转弯时Q大一些。这个技巧在面试中可以提，会让面试官觉得你有实战经验。

面试中怎么聊

面试官问卡尔曼滤波，按这个思路回答：先用蒙眼走路的例子讲直觉（预测-更新循环），再说数学表达（状态转移方程、观测方程、五个核心方程），然后说假设条件（线性、高斯、已知噪声统计），最后说工程实践（Q和R怎么调）。

如果面试官追问"卡尔曼增益的推导过程"，你可以说：核心思想是最小化后验估计误差的迹，对误差协方差关于K求导令其为零，就能解出最优K。具体推导复杂，但直觉就是"找一个权重让融合后不确定性最小"。

如果面试官追问"卡尔曼滤波和互补滤波的区别"，你可以说：互补滤波用固定权重融合预测和测量，卡尔曼滤波的权重是动态调整的——根据当前不确定性自动决定更相信谁。互补滤波计算量小，适合资源受限场景，但精度不如卡尔曼滤波。

如果面试官追问"协方差矩阵P的物理意义"，P矩阵描述状态估计的不确定性。对角线元素是各状态分量的方差，非对角线是不同分量间不确定性的关联。预测步P增大，更新步P减小，稳态下两者平衡，P收敛到固定值。面试时候能讲清楚P矩阵的物理意义，说明你不只是会套公式，而是真正理解了卡尔曼滤波的数学本质。

下一篇讲扩展卡尔曼滤波EKF——当系统不是线性的时候，怎么把卡尔曼滤波推广到非线性系统。

---

如果这篇文章对你有帮助，欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。

「机器人软件开发面试·从入门到精通」连载系列 上一篇：第165篇 传感器数据融合基础——面试翻车实录 下一篇预告：第167篇 扩展卡尔曼滤波EKF——非线性系统的状态估计

有任何问题欢迎评论区留言，我会尽量回复。