传感器数据融合卡尔曼滤波实现详解¶
难度：🔴 高级 | 领域：数据融合 | 关键词：Kalman, EKF, Q/R, IMU, GPS | 阅读时间：约 20 分钟
日常类比¶
盲人摸象：只摸腿像柱，只摸鼻像蛇。多传感器融合让你同时摸到多处；卡尔曼滤波（Kalman Filter）不是简单平均，而是按各信息源不可靠程度做递归最优加权（在线性高斯假设下）[1][2]。
摘要¶
从动机、状态空间、预测–更新、过程/测量噪声（Q/R）、扩展卡尔曼滤波（Extended Kalman Filter, EKF）到惯性测量单元（IMU）+ 全球定位系统（GPS）类案例与微控制器（MCU）实现。更新率与噪声方差为场景量级，调参必须用数据[3][6]。
1. 为何融合¶
| 传感器 | 长板 | 短板 |
|---|---|---|
| GPS | 绝对位置 | 低速率、室内差 |
| IMU | 高速率 | 积分漂移 |
| 气压计 | 高度线索 | 天气影响 |
| 磁力计 | 航向线索 | 磁干扰 |
2. 算法直觉与步骤¶
预测：用运动模型推状态与协方差。更新：用测量残差和卡尔曼增益折中预测与观测。增益大手更信测量，小则更信模型[1]。
| 符号 | 含义 |
|---|---|
| x, P | 状态与协方差 |
| F, H | 状态转移 / 观测 |
| Q, R | 过程 / 测量噪声 |
| K | 卡尔曼增益 |
3. Q/R 与 EKF¶
Q 偏大：更跟测量、更抖；R 偏大：更平滑、更滞后。应用噪声谱与创新序列检验调参。非线性用 EKF（雅可比线性化）或无迹卡尔曼等；线性化误差大时可能发散[2][4]。
| 问题 | 处理倾向 |
|---|---|
| 创新偏大持续 | 查故障/R 过小/模型错 |
| 过度平滑 | R 过大或 Q 过小 |
| 发散 | 可观测性、重置、降阶 |
4. 嵌入式实践¶
MCU 上注意矩阵维度、定点/浮点、采样时间抖动。姿态可用互补滤波作轻量替代。开源库（如一些姿态估计库）要审许可与坐标系约定。调试：画创新、P 对角线、分传感器使能对比[5][7]。
| 路径 | 适用 |
|---|---|
| 一维/低维 KF | 温度、液位等 |
| EKF 导航 | 资源允许的追踪 |
| 互补滤波 | 姿态低成本 |
5. 局限、挑战与可改进方向¶
1. 把 KF 当万能去噪¶
局限：模型错误时“最优”也偏。 改进：先辨识模型；残差超限触发 FDI[6][8]。
2. Q/R 拍脑袋永不验证¶
局限：一套参数只适合实验室。 改进：创新白化检验；分场景参数集[3][4]。
3. GPS 丢失仍高信测量¶
局限：室内伪测量拖坏状态。 改进：完好性检测；丢失时抬 R 或停更新[6]。
4. EKF 维度膨胀¶
局限：MCU 超时、数值不稳。 改进：降维、互补滤波、或主机侧融合[5][7]。
总结¶
卡尔曼融合的核心是可观测模型 + 诚实的噪声统计 + 残差监控。IoT 上先做对坐标系与时间戳，再谈滤波器阶数。
参考文献¶
[1] R. E. Kalman, 1960 滤波论文.
[2] Y. Bar-Shalom et al., Estimation with Applications to Tracking and Navigation.
[3] 应用噪声建模与调参工程指南.
[4] EKF/UKF 非线性估计教材章节.
[5] MCU 姿态估计与互补滤波应用笔记.
[6] GPS/IMU 松耦合/紧耦合综述.
[7] 开源姿态库文档（核对许可证与轴约定）.
[8] 本库 sensor-fault-detection-isolation.
[9] 本库 sensor-calibration-polynomial-fit.
[10] 数值稳定性与约瑟夫形式更新讨论.
[11] 多速率融合（异步测量）处理方法.
[12] IoT 资产追踪系统案例（厂商白皮书级）.