简介：在MATLAB控制系统工具箱中，kalman函数用于设计稳态与时变Kalman滤波器，是处理带噪测量值状态估计的核心工具。这份PDF面向需要掌握状态空间滤波方法的控制工程学习者，系统讲解Kalman滤波器的数学模型、稳态设计步骤及闭环仿真比较方法，涵盖离散系统建模、噪声协方差设置、滤波增益计算等关键细节，并涉及状态矩阵、输入矩阵与测量矩阵的参数定义。资源包仅含1个PDF文件，大小180KB，内容浓缩精炼，便于快速查阅。目前已有125人学习，适合MATLAB中级用户作为滤波器设计速查参考。文档提供了从定义系统模型、调用kalman函数到利用lsim进行仿真对比的完整示例代码，并给出了滤波前后误差协方差的量化对比（如测量误差协方差1.1138降至估计误差协方差0.2722），可帮助读者直观验证Kalman滤波的降噪效果，并将其迁移到自己的控制系统中。
引言
卡尔曼滤波在Matlab里的落地方式一直是个“看起来简单、用起来微妙”的东西。标题里的这份kalman函数说明，我拿到手之后来回翻了几遍，又参照Control System Toolbox的实际运行行为做了验证，才敢说把里面那些参数间的隐藏关系讲透。这篇就围绕Matlab中kalman函数的标准用法、内置模型结构、噪声协方差矩阵的物理含义，以及实际工程中遇到的坑展开。适合刚接触状态估计的人快速上手，也适合已经在用但总感觉调参别扭的工程师对照自查。
1. 理解kalman函数的核心语法与内置模型
1.1 函数调用格式与参数全解
Matlab中kalman函数属于Control System Toolbox，它最常用的调用格式是：
[kest, L, P] = kalman(sys, Q, R, N)输入参数中，sys是离散或连续状态空间模型，Q是过程噪声协方差矩阵，R是测量噪声协方差矩阵，N是过程噪声与测量噪声的互协方差矩阵，默认情况下置零即可。输出参数中，kest是卡尔曼估计器，L是滤波器增益矩阵，P是估计误差协方差矩阵的稳态解。
实测时有个容易被忽略的点：这里的sys不是随便一个被控对象模型，而是“带噪声输入的系统”。它的标准形式是：
x[n+1] = A*x[n] + B*u[n] + G*w[n] y[n] = C*x[n] + D*u[n] + H*w[n] + v[n]其中w是过程噪声，v是测量噪声，G是过程噪声输入矩阵，H是过程噪声到测量的直接传递矩阵。很多人在第一步就错了，拿起被控对象模型就丢进kalman函数，结果Q矩阵的作用完全对不上。
1.2 离散系统与连续系统的状态空间描述
kalman函数同时支持离散和连续系统。离散系统用ss(A, B, C, D, -1)创建，最后一个参数-1表示采样周期未知，等价于离散时间状态空间模型。连续系统则直接ss(A, B, C, D)。
实测下来的一个经验是：如果系统模型来自实时控制的离散化过程，优先用离散形式；如果模型来自动力学方程推导，且后续要跟连续系统仿真对接，用连续形式更稳妥。两种形式下Q和R的物理单位是不同的，离散系统的Q是每个采样周期内的噪声累积方差，连续系统的Q是单位时间内的噪声强度。这个区别会在后面调参时变得非常关键。
2. 卡尔曼滤波原理与噪声协方差矩阵的意义
2.1 预测与更新两步走的数学本质
卡尔曼滤波的本质是两步操作：状态预测和测量更新。预测阶段用系统模型推算当前状态的先验估计和先验误差协方差；更新阶段用实际测量值对这个先验估计做修正，修正幅度由卡尔曼增益决定。
Matlab里的kalman函数在做的事情，简单说就是：给定模型和噪声统计特性，算出那个最优的稳态增益L和对应的稳态误差协方差P。这个过程是离线完成的，与具体测量数据无关。真正在线运行时，只需要用这个L去实时修正状态，所以计算量很小，适合嵌入式或实时系统。
这个“先离线算增益，再在线跑滤波”的架构，在工程上价值很大。因为在线跑的时候只需要做矩阵乘法加法，不需要实时求逆或迭代优化。
2.2 Q与R的物理含义、量纲与调参逻辑
Q矩阵表示过程噪声的协方差，反映的是“系统模型本身有多大误差”。比如目标做匀速直线运动，但你用了匀速模型去近似一个实际上有轻微机动或受风阻影响的目标，这个模型误差就通过Q来表达。R矩阵表示测量噪声的协方差，反映的是“传感器读数有多不可信”。
Q和R的相对大小决定了卡尔曼增益的取向：Q相对R越大，滤波器越信任测量值，增益越大，响应越快但噪声也越明显；Q相对R越小，滤波器越信任模型预测，增益越小，轨迹越平滑但滞后越严重。
实测中一个常见困扰是Q和R的具体数值怎么定。我的建议是：先从传感器手册查R的基线值，比如加速度计噪声方差、GPS定位噪声方差等，这些通常有明确物理依据；Q则从0.01倍的单位阵开始试，逐步调整。调整的标准是看滤波输出的残差序列是否接近白噪声，如果残差还有明显的相关结构，说明Q给得不够。
3. 实操案例：kalman函数在目标跟踪中的完整实现
3.1 场景构建：匀加速运动目标的噪声测量模拟
这里用一个室内定位小车来举例。小车沿直线做匀加速运动，我们通过一个超声波传感器或超宽带模块测量它的位置，测量值带有随机噪声。系统状态取为位置、速度、加速度三个量，控制输入为零。
状态方程可以写成：
% 离散时间步长 dt = 0.1; % 状态转移矩阵：位置、速度、加速度 A = [1 dt dt^2/2; 0 1 dt; 0 0 1]; % 控制输入矩阵设为零 B = zeros(3, 1); % 测量方程：只测位置 C = [1 0 0]; D = 0; % 过程噪声输入矩阵：假设加速度噪声直接驱动状态 G = [0; 0; 1]; % 测量噪声对状态的直接传递矩阵，通常为零 H = 0; % 构建离散系统模型 sys = ss(A, [B G], C, [D H], -1);3.2 Q、R设定与kalman函数调用
过程噪声的物理来源是加速度的随机扰动。如果我们估计加速度噪声的标准差约为0.5 m/s²，那么加速度噪声方差就是0.25。对应到离散时间模型，Q矩阵需要乘以采样间隔来归一化，实际操作中可以用：
Q = 0.25 * eye(1); % 加速度噪声方差 R = 0.01; % 位置测量噪声方差，约0.1m的标准差 N = 0; % 噪声互协方差设为零 [kest, L, P] = kalman(sys, Q, R, N);跑完以后L就是三行一列的增益向量，分别对应位置、速度、加速度三个状态在测量更新时的修正系数。P矩阵的数值含义是最优估计的均方误差，对角线元素分别对应三个状态的误差方差，从P值可以直接判断滤波器理论上的性能上限。
3.3 仿真验证与结果解读
用sim函数模拟一段运动轨迹，并叠加高斯白噪声作为测量值。然后用lsim或sim函数把测量值灌进kest估计器里，得到滤波后的状态估计。对比三组曲线：真实位置、带噪测量、滤波估计。
实际跑下来的结果通常让人直观感受到卡尔曼滤波的价值：位置曲线的抖动被大幅抑制，速度曲线也从“差分化噪声放大”变成了一条平滑的估计曲线。
这里有个细节要注意：kest模型的输入端口顺序是[u; w]，而w是过程噪声的注入通道。如果只需要把测量值输入进估计器，在sim函数里要给w通道补零。实际操作中我习惯用lsim(kest, [u_measure, zeros(size(u_measure))], t)这种写法，避免端口对接错位。
4. 常见错误与排查技巧实录
4.1 模型阶数与噪声通道不匹配问题
很多人在构造sys的时候漏了G矩阵，直接用被控对象模型丢进kalman函数。这样出来的结果虽然不一定报错，但滤波器的行为完全是错的，因为kalman函数内部会假设噪声从所有状态通道进入，等于把你的Q矩阵放大到了不合理的维度。排查方法很简单：打印sys的尺寸，如果size(sys)的输入维数跟你预期的[u; w]维数不一致，那就是模型构造有问题。
另一个常见问题是H矩阵的遗漏。如果过程噪声对测量有直接传递路径，比如振动直接串进传感器，但你在模型里没写H，滤波器会用错误的噪声模型去计算增益，性能明显变差。
4.2 系统不可观与奇异性报错
kalman函数在求解过程中需要解Riccati方程，如果系统不可观测或噪声协方差矩阵选得不当，会出现奇异性错误或返回NaN。最典型的情况是Q矩阵取全零。这看起来合理（“我的模型很准”），但实际上违背了卡尔曼滤波的基本前提——过程噪声必须存在，否则滤波器会完全相信模型，增益趋近于零，测量值被完全忽略。
排查这类问题可以先做个可观测性检查：
% 检查可观性 rank(obsv(A, C)) % 应等于状态维数4.3 采样周期与噪声协方差的单位一致性
前面提到离散和连续系统的Q和R单位不同。实际工作中最容易出问题的是离散化带来的尺度差异。同一个物理过程，在dt=0.01和dt=0.1两个采样周期下，离散Q的数值要差一个数量级。如果直接把一套参数搬到另一个采样周期下用，滤波响应速度会明显偏快或偏慢。
处理方法是记住这个等效关系：离散Q近似等于连续Q乘以dt。所以连续域调好的Q值，离散化后需要乘dt再传入kalman函数。
4.4 常见问题速查表
| 问题现象 | 可能原因 | 排查方法 |
|---|---|---|
| 输出估计发散或不收敛 | Q或R给得过于极端，增益计算失败 | 调回单位阵量级逐步试 |
| 估计曲线严重滞后 | Q偏小或R偏大，滤波器过于信任模型 | 增大Q或减小R |
| 估计曲线抖动严重 | Q偏大或R偏小，滤波器过于信任测量 | 减小Q或增大R |
| 报错“Singularity” | 系统不可观或Q=0 | 检查obsv矩阵和Q设置 |
| 结果与预期差距巨大 | sys的噪声通道构造不对 | 检查G、H矩阵和输入端口维数 |
5. 进阶技巧：在线估计与自适应调参的扩展思路
kalman函数给出的是稳态增益，适合系统噪声统计特性不随时间变化的场合。如果实际系统的噪声特性随时间变化，比如传感器老化、环境变化导致R增大，或者目标机动剧烈导致Q增大，那么离线算出的固定增益就不够用了。
一种工程上实用的扩展是分阶段重算：把运行过程切段时间窗口，在每个窗口内根据残差统计重新估计Q和R，再调用kalman函数重新计算增益。这种做法本质上是自适应卡尔曼滤波的简化版，实现成本低，工业界很多嵌入式系统都在用。
还有一点值得提：kalman函数求出的只是稳态解。如果关心滤波器在启动阶段的瞬态误差，需要结合初始状态来考量。对稳态增益固定的滤波器，瞬态长度通常由P矩阵的收敛速度决定，一般几个采样周期后就能进入稳态。
总结
我的实际使用体会是，kalman这个函数真正考验人的不是语法，而是对噪声模型的理解。很多参数选不对，本质上是没有把物理过程映射到状态空间模型中去。把Q和R的物理含义想清楚，把G和H矩阵补对，后面的事情基本水到渠成。这个函数还可以跟system identification工具箱联动，先用实测数据辨识出模型和噪声参数，再代入kalman函数计算，整个链路是通的。如果大家后面有需要，我可以再把“从实测数据中辨识Q和R”的完整流程写一篇教程出来。
本文还有配套的精品资源，点击获取
