测距值抖动不等于设备坏了，直接做均值也可能滞后。本文从一段噪声读数出发，拆开预测、增益和校正三笔账，给出 Java 一维卡尔曼滤波实现与断言。文中同步标出复杂度、边界条件和可复制测试，方便把思路带进真实项目验证。
“把读数平均一下就行”是传感器程序里最常见也最危险的建议。平均确实能压掉部分高频波动，却没有表达我们对系统变化速度的信心。车轮突然加速时，长窗口平均还沉在过去；短窗口平均又接近原始抖动。一维卡尔曼滤波并不神奇，它只是把预测和测量各自有多可信写成可计算的权重。
先把问题的边界画出来
这类题最容易被“有一个现成名词”带偏。先不急着选数据结构，先写清输入在何时到达、输出需要何时可用、更新是否允许撤销，以及结果是精确值还是候选值。这个四问能排除很多表面可运行、线上却无法解释的方案。示例把状态、停止条件和异常分开写，目的不是增加篇幅，而是让测试能对应到每一条承诺。
状态估计 x 先按过程模型得到预测，误差方差 P 同时加上过程噪声 Q。测量 z 到来后，增益 K=P/(P+R) 衡量该更相信预测还是测量，随后 x=x+K(z-x)，P=(1-K)P。R 大表示仪器噪声大，K 变小；Q 大表示系统本身变化快，预测不应太固执。
把不变量变成代码动作
示例使用恒定状态模型，不假装能解决加速度问题。它适合温度、静止距离等缓慢变化的量；若对象有明确速度，应把状态扩成位置和速度并改用矩阵形式。先把一维模型跑对，比直接搬一段矩阵公式更能暴露参数含义。
实现时建议先在纸上走一遍最短样例：空输入、一个元素、刚好跨越临界值和重复值。每执行一行，就问一次“此前成立的约束是否仍成立”。这种手工模拟尤其能发现索引偏移、先后顺序和状态未重置的问题。等不变量清楚后，优化才不会改变语义。
放进工程链路时的分寸
工程实现应先定义输入版本、权限边界和错误返回，再考虑把核心计算放到哪个进程。对需要持续运行的任务，记录请求规模、算法版本和拒绝原因，比只保留成功标记更便于复盘；任何外部依赖都应被替换为可控的本地测试桩。
另一个常被忽略的点是可观测性。记录输入规模、耗时、拒绝原因和算法版本，比只记录一个成功标记更有用。数据异常时，先确认是否违反了算法前提，再怀疑实现；很多“性能回归”其实只是分布变了。把这些字段作为接口契约的一部分，线上复盘才不需要猜测。
可直接运行的实现
publicclassKalman1D{privatedoublex,p,q,r;Kalman1D(doubleinitial,doublep,doubleq,doubler){if(r<=0)thrownewIllegalArgumentException("R must be positive");this.x=initial;this.p=p;this.q=q;this.r=r;}doubleupdate(doublez){p+=q;doublek=p/(p+r);x=x+k*(z-x);p=(1-k)*p;returnx;}publicstaticvoidmain(String[]args){Kalman1Df=newKalman1D(10,1,0.1,1);f.update(10);f.update(12);doublev=f.update(11);if(!(v>10&&v<12)||v==11)thrownewAssertionError(v);System.out.printf("%.3f%n",v);}}复杂度不是一句口号
每个样本只有常数次算术，时间 O(n)、额外空间 O(1)。相对滑动窗口，它不必保存历史读数。
分析复杂度时要说明 n 到底代表什么：请求数、节点数、字符数还是窗口长度。只写一个 O(n) 往往掩盖了排序、哈希冲突、输出大小或网络等待等隐含成本。本文的程序将算法核心与输入输出分离，测试输出只用于验证，不应被当作真实性能数据。
边界条件和常见误区
**边界条件。**R 必须为正，R 为零会让测量被当作绝对真相；初始 P 过小会让系统长期不肯修正；缺失样本时只做预测，不要伪造一条零测量。
**常见错误。**把 Q 和 R 的含义对调会得到反直觉曲线；更新 x 后又用新 x 重新计算同一轮残差属于重复校正；用整数存储 K 会让增益截断为零或一。
上线前还应把错误策略定下来：是抛异常、返回空结果、降级到慢路径，还是排队等待。不同选择都有成本，关键是不能让调用方从一个看似正常的返回值里猜测失败。对涉及用户数据的场景，日志同样应遵守最小化记录原则。
复制即可执行的测试
测试连续测量 10、12、11：最终估计应落在十到十二之间，并且第三步不会等于原始读数十一。程序打印保留三位的小数。
这些断言刻意包含正例和负例。正例证明主要路径能走通，负例证明代码没有靠偶然输入蒙对。把它们放进持续集成时，应使用固定输入和确定输出；涉及随机、时间或网络的逻辑要注入可控依赖，避免测试本身成为不稳定来源。
复核 传感器数字跳来跳去：一维卡尔曼滤波的追踪账本 时，把输入规模从小到大递增，并保留每一轮的状态快照。若结果变化无法由前述不变量解释，就应先缩小复现用例，而不是立刻添加特殊分支。
对 卡尔曼滤波 而言，正确性与可部署性要同时检查：前者由断言和反例支撑，后者由资源上限、错误返回和版本记录支撑。把两者混为一谈，往往会让一次优化埋下新的边界缺陷。
阅读代码时可尝试替换一个关键输入，例如把端点换成相等、把规模换成零、把顺序打乱。若行为仍能用本文的状态定义说明，说明实现没有偷偷依赖样例中的偶然规律。
复核 传感器数字跳来跳去：一维卡尔曼滤波的追踪账本 时，把输入规模从小到大递增，并保留每一轮的状态快照。若结果变化无法由前述不变量解释，就应先缩小复现用例，而不是立刻添加特殊分支。
对 卡尔曼滤波 而言，正确性与可部署性要同时检查：前者由断言和反例支撑，后者由资源上限、错误返回和版本记录支撑。把两者混为一谈，往往会让一次优化埋下新的边界缺陷。
阅读代码时可尝试替换一个关键输入，例如把端点换成相等、把规模换成零、把顺序打乱。若行为仍能用本文的状态定义说明，说明实现没有偷偷依赖样例中的偶然规律。
复核 传感器数字跳来跳去：一维卡尔曼滤波的追踪账本 时，把输入规模从小到大递增，并保留每一轮的状态快照。若结果变化无法由前述不变量解释，就应先缩小复现用例，而不是立刻添加特殊分支。
对 卡尔曼滤波 而言，正确性与可部署性要同时检查：前者由断言和反例支撑，后者由资源上限、错误返回和版本记录支撑。把两者混为一谈，往往会让一次优化埋下新的边界缺陷。
阅读代码时可尝试替换一个关键输入，例如把端点换成相等、把规模换成零、把顺序打乱。若行为仍能用本文的状态定义说明，说明实现没有偷偷依赖样例中的偶然规律。
复核 传感器数字跳来跳去：一维卡尔曼滤波的追踪账本 时，把输入规模从小到大递增，并保留每一轮的状态快照。若结果变化无法由前述不变量解释，就应先缩小复现用例，而不是立刻添加特殊分支。
收束
滤波不是把数据磨平，而是把“不确定”纳入状态。能说清 Q、R 和初始 P 的来源，才算真正掌握了一维卡尔曼。
真正可维护的算法代码不靠注释堆砌，而靠名称、不变量和测试彼此印证。下一次需求变化时，先检查它是否破坏本文列出的前提，再决定扩展实现还是更换模型。
