卡尔曼滤波参数调优指南

参数调优的核心难题

卡尔曼滤波的调优本质上是在 Q 和 R 之间找到平衡。这两个参数决定了滤波器对”模型预测”和”实际测量”的信任程度。

Q 参数：过程噪声协方差

Q 代表模型的不确定性。如果你对系统模型不太自信（比如真实运动有加速度，但模型假设匀速），就需要增大 Q。

调优策略

场景	Q 建议值	效果
模型高度准确	1e-6 ~ 1e-4	估计非常平滑，但跟不上突变
模型有偏差	0.001 ~ 0.1	平衡平滑性与响应速度
模型不确定	0.1 ~ 10	响应快但抖动大，接近于直接使用测量值

💡 经验法则：Q 太小 → 估计滞后于真实值；Q 太大 → 估计噪音大。

R 参数：测量噪声协方差

R 代表传感器的不可靠性。如果传感器精度高（噪声小），应该设置较小的 R，让滤波器更信任测量值。

调优策略

场景	R 建议值	效果
高精度传感器	0.0001 ~ 0.01	滤波器高度信任测量，响应快
普通传感器	0.1 ~ 1	适度滤波，平衡性能
低精度传感器	1 ~ 10	强滤波，平滑但可能滞后

💡 经验法则：R 太小 → 估计噪声大，滤波器过度信任测量；R 太大 → 估计过于平滑，丢失细节。

实际调优流程

1. 先确定 R：根据传感器规格书或实际测量噪声水平，设定 R 的初始值。
2. 再调节 Q：从较小值开始，逐步增大，直到估计值能跟上真实值的变化。
3. 观察增益曲线：如果增益 K 在稳态时接近 0，说明滤波器过度信任模型；如果接近 1，说明过度信任测量。
4. 对比 RMSE：利用仿真平台的 RMSE 指标，找到使估计误差最小的参数组合。

特殊情况：参数失配

在实际应用中，滤波器使用的 Q、R 可能与真实噪声不匹配。仿真平台支持独立设置实际测量噪声（σ_meas），帮助你观察参数失配时滤波器的表现。

如果 R 设置得比实际噪声大 → 滤波器过度信任模型 → 估计滞后。 如果 R 设置得比实际噪声小 → 滤波器过度信任测量 → 估计噪声大。

---

前往卡尔曼滤波仿真平台进行参数调试！

← 返回仿真平台