从实际项目里第一次接触卡尔曼滤波，到后来把EKF、UKF、粒子滤波挨个在Matlab里撸了一遍，这个过程我走了不少弯路。最开始拿标准KF套一个强非线性系统，发散到连曲线都画不出来，折腾很久才明白问题的根源在哪儿。所以这次我不打算堆公式，而是用一套完整的问题脉络——从非线性带来的困境出发，到三种滤波算法的原理差异，再到Matlab代码怎么落地、仿真结果怎么解读、实际选型怎么避坑——把这套状态估计的知识串起来。
这篇文章适合两类读者：一是刚入门状态估计，想一次性搞懂EKF、UKF、PF到底是什么、怎么选的初学者；二是已经在用其中某一种算法，但不知道它在另外两种算法面前处于什么位置，想横向对比后再优化方案的工程师。文章用的是我实际跑过的Matlab仿真例程，代码片段可以直接拿来改。
1. 一条从线性到非线性的分岔路：为什么标准卡尔曼滤波不够用
任何接触过卡尔曼滤波的人，最开始学的都是标准KF，也就是线性卡尔曼滤波。它的数学前提非常干净：系统是线性的、噪声是高斯的。在这个前提下，KF可以给出解析的最优解——因为你输入一个高斯分布，经过线性变换，输出仍然是高斯分布，均值和协方差刚好完整刻画了状态分布，整个递推过程是自洽的。
但现实世界几乎没有线性的便宜事。目标跟踪里的量测通常是距离和方位角，转换到笛卡尔坐标系会产生非线性关系；车辆沿圆弧运动、卫星轨道递推、无人机姿态解算，状态方程和量测方程都是非线性函数。这时候一个尴尬的问题出现了：高斯分布经过非线性函数映射之后，就不再是高斯的了。你运算出来的东西，实际是分布已经被扭曲之后的近似结果，而标准KF从头到尾都假设它是高斯的，推导自然失效。
我当时在做的一个目标跟踪仿真就撞上了这个问题。状态方程里有角度旋转项，量测方程是距离和方位角，我一开始用标准KF线性化之后的状态转移矩阵硬算，滤波器连续发散，先验预测值和量测值差了好几个量级。后来才反应过来，系统本身强非线性，按线性模型递推，误差协方差的传递在第一步就已经失真，之后的滤波结果只会越来越离谱。
解决非线性问题的思路，粗略来看有三条路：
- 局部线性化：把一个非线性函数在某个工作点附近展开成线性形式，然后再套用KF的框架，这就是EKF。
- 确定性采样近似：用一组精心选择的点（sigma点）去逼近状态分布，让这些点通过非线性函数，再统计输出的均值和协方差，这就是UKF。
- 随机采样近似：直接用大量随机粒子去近似后验分布，不用管分布长什么样，这就是粒子滤波PF。
这三种思路，本质上都是在回答同一个问题：高斯分布或者任意分布经过非线性变换之后，我该怎么去近似它的统计特性。只是近似的手段不一样：一个靠泰勒展开，一个靠点集映射，一个靠蒙特卡洛采样。
从工程应用的角度来说，这三者没有绝对的谁替代谁，只有谁更适合当前系统的非线性强度、实时性要求和噪声特性。后面几节我会把这三种方法的原理逻辑和Matlab实现放在一起对比，看它们在同一个仿真任务里各自表现如何。
2. EKF、UKF、PF三分天下：核心思想与数学本质
这一节把三种算法掰开揉碎，只看本质。公式我会控制在能讲清楚问题的范围内，重点讲清每种方法在解决非线性传播时到底做了什么手脚，因为这个理解直接决定你在工程里怎么调参、怎么判断结果是否可信。
2.1 EKF：在均值点做一阶泰勒展开，简单但代价隐蔽
EKF的基本想法非常直接：既然非线性函数不好处理，那我在当前状态估计值附近把它做一阶泰勒展开，取线性主部，这样整个系统又重新变成线性的，KF那一套直接搬过来用。
设非线性状态方程和量测方程为：
x(k) = f(x(k-1)) + w(k) z(k) = h(x(k)) + v(k)EKF需要在每一步迭代中计算两个雅可比矩阵：
- 状态转移矩阵的雅可比 F(k-1) = ∂f/∂x 在 x_hat(k-1) 处取值
- 量测矩阵的雅可比 H(k) = ∂h/∂x 在 x_pred(k) 处取值
然后代入标准KF的预测和更新公式。看起来只是多了两个求导步骤，但实际上问题不少。
第一，高阶截断误差。一阶泰勒展开相当于假设非线性函数在工作点附近可以用切线近似，如果系统强非线性，这个近似的误差协方差传递会明显偏离真实值，甚至导致滤波器发散。第二，雅可比矩阵的推导极其容易出错。我当初做一个机械臂关节角估计，量测方程里有三角函数和反三角函数的复合，每次手推雅可比都要花很长时间，而且只要推导错一个偏导项，仿真结果就是一团乱麻。
提示：EKF里面很多发散问题，根源不在滤波框架本身，而在你手算的雅可比矩阵错了。常见的验证方法是先单独用符号工具箱对f和h求偏导，再用数值差分方式在随机点上对比符号解和数值解，确认一致后再进滤波循环。
从精度角度说，EKF只保留到一阶，所以在所有需要“近似高斯分布非线性变换”的算法里，它的理论精度是最低的。但它的优势也明显：计算量最小，代码结构最接近标准KF，而且很多工业部门的老代码里已经积累了大量成熟的EKF模块，短期内不会淘汰。
2.2 UKF：不求导，用一组sigma点完成分布传播
UKF的切入角度很有意思。它不直接去像泰勒展开那样“把一个函数近似成线性”，而是换了个思路：我与其去近似非线性函数，不如去近似这个分布的传播过程。
这个思路叫做无迹变换（Unscented Transform，UT）。具体来说，对于n维状态变量，我按照一定规则选取2n+1个sigma点，这些点经过非线性函数映射之后，再用加权统计的方式算出输出状态的均值和协方差。因为sigma点是从原分布的有代表性位置取出来的，经过非线性变换后，它们的分布就能近似逼近真实传播后的分布。
sigma点的选取和权重计算是核心，常见方式如下。设状态维度为 L，取参数 α（决定sigma点在均值附近的扩散程度，通常为1e-3到1）、β（用于融入先验分布的峰度信息，高斯分布取2）、κ（次级调节参数，通常取0或3-L）。复合缩放参数 λ 为：
λ = α²(L + κ) - L选择合适的参数后，生成2L+1个sigma点：
X⁰ = x_mean Xⁱ = x_mean + (sqrt((L+λ)P))_i, i = 1, ..., L Xⁱ = x_mean - (sqrt((L+λ)P))_{i-L}, i = L+1, ..., 2L其中 (sqrt((L+λ)P))_i 表示矩阵 (L+λ)P 做Cholesky分解后的第 i 列。这些点经过f和h映射后，再加权求均值和协方差。由于sigma点能够传递高阶信息，UT变换理论上可以达到三阶精度（高斯分布情形下），远高于EKF的一阶精度。
UKF相比EKF最大的好处是：不需要求雅可比矩阵。你只需要把状态方程和量测方程当作黑盒，把sigma点丢进去就行。这对复杂非线性系统、或是代码里无法给出解析导数的场景特别友好，也就是工程上所谓的“无模型导数依赖”。
我记得第一次在目标跟踪仿真里把EKF换成UKF的时候，效果相当明显。同一套系统，EKF的估计曲线总是滞后一拍，而UKF基本能跟住真实轨迹，RMSE大概能降低一截。之所以不直接上粒子滤波，是因为当时对实时性的要求较高，粒子滤波的计算量完全顶不住。
2.3 PF：用一堆随机粒子去逼近任何分布，贝叶斯采样的集大成者
EKF和UKF本质上仍然假设滤波过程中涉及的分布可以用高斯或者近似高斯来描述。这在实际场景里并不总是成立，比如量测方程出现多峰分布、状态分布严重非对称的时候，高斯假设本身就过了头。粒子滤波的思路则是：不做任何分布形态假设，直接用一组带权重的随机粒子从经验上逼近后验概率密度。
粒子滤波的理论基础是贝叶斯重要性采样。核心过程大致如下：
- 初始化：从先验分布 p(x0) 采样N个粒子，权重均等。
- 预测：每个粒子通过状态方程传播一步，得到新的粒子集合。
- 更新：利用量测值计算每个粒子的似然度，再据此更新权重并归一化。
- 重采样：当有效粒子数过少时，根据权重对粒子进行重采样，淘汰低权重粒子、复制高权重粒子，避免粒子退化。
- 重复2-4步，输出加权均值作为状态估计。
PF的精髓在于，只要有足够多的粒子，它理论上能逼近任意复杂的后验分布，不管是多峰还是非对称，都不在话下。但代价也很明显：计算量大、粒子退化问题、需要精心设计重采样策略。尤其粒子数一多，每一步都要对所有粒子做一次状态递推和权重计算，实时性很难保证。
我在实际项目中接触PF，主要是在室内定位的场景。RSSI信号强度在复杂环境里分布很不规则，高斯假设根本不成立，EKF和UKF都漂得厉害，反倒是PF靠着大量粒子硬生生把位置给稳住。不过当时粒子数取5000，每一帧都要几十毫秒计算，只能在离线处理里用。
3. Matlab代码拆解：一维非线性系统的三种滤波实现
原理讲清楚了，接下来就是我会实际跑的仿真代码。先定义一个经典的强非线性标量系统，状态方程和量测方程都有非线性项，用来做三种算法的同台对比。
系统模型：
x(k) = 0.5*x(k-1) + 2.5*x(k-1)/(1+x(k-1)^2) + 8*cos(1.2*(k-1)) + w(k) z(k) = x(k)^2/20 + v(k)过程噪声 w(k) 和量测噪声 v(k) 均为零均值高斯白噪声，方差分别为1。真实初始状态取0.1，滤波初始估计设为1.0，初始协方差P0设为1。这个系统在量测方程中存在平方项，状态方程里也有分式非线性项，非线性强度足够看出三类算法的差异。
3.1 公共仿真框架：一次循环跑三种算法
搭建仿真框架时，我习惯把每种滤波器的预测与更新步骤写在同一个循环里，这样便于横向对比状态估计值和误差。代码结构大体如下：
% 参数设置 N = 50; % 仿真步数 Q = 1; % 过程噪声方差 R = 1; % 量测噪声方差 x0_true = 0.1; % 真实初始状态 x0_est = 1.0; % 滤波初始估计 P0 = 1; % 初始协方差 % 生成真实状态与量测 x_true = zeros(1, N); z = zeros(1, N); x_true(1) = x0_true; for k = 2:N x_true(k) = 0.5*x_true(k-1) + 2.5*x_true(k-1)/(1+x_true(k-1)^2) ... + 8*cos(1.2*(k-1)) + sqrt(Q)*randn; end for k = 1:N z(k) = x_true(k)^2/20 + sqrt(R)*randn; end然后分别调用EKF、UKF、PF的主函数，对同一组真实状态和量测做滤波。
3.2 EKF实现：雅可比矩阵的计算是主要工作量
EKF实现中，最关键的一段是求状态方程和量测方程的雅可比矩阵。对于这个标量系统：
状态方程 f(x) = 0.5x + 2.5x/(1+x^2) + 8cos(1.2(k-1))，对x求偏导得：
F = 0.5 + 2.5*(1 - x^2)/(1 + x^2)^2量测方程 h(x) = x^2/20，对x求偏导得：
H = x/10在预测和更新阶段分别将当前估计值代入即可：
% EKF预测 x_pred = 0.5*x_est + 2.5*x_est/(1+x_est^2) + 8*cos(1.2*(k-1)); F = 0.5 + 2.5*(1 - x_est^2)/(1 + x_est^2)^2; P_pred = F * P_est * F' + Q; % EKF更新 H = x_pred / 10; K = P_pred * H / (H * P_pred * H' + R); x_est = x_pred + K * (z(k) - x_pred^2/20); P_est = (1 - K * H) * P_pred;EKF的代码本身很短，但它把最重要的精度负担转移到了你的偏导推导上。一旦系统维数升高、方程嵌套复杂，这个“手推雅可比”的过程就会成为整个项目最耗时、最容易出错的部分。
3.3 UKF实现：sigma点生成与UT变换
UKF的代码实现关键有两块：一是生成sigma点，二是对sigma点做非线性映射后的统计加权。先看sigma点生成：
function [X, Wm, Wc] = sigmaPoints(x, P, alpha, beta, kappa) n = numel(x); lambda = alpha^2 * (n + kappa) - n; % Cholesky分解，保证矩阵正定 S = chol((n + lambda) * P, 'lower'); X = zeros(n, 2*n+1); X(:, 1) = x; for i = 1:n X(:, i+1) = x + S(:, i); X(:, i+n+1) = x - S(:, i); end Wm = zeros(1, 2*n+1); Wc = zeros(1, 2*n+1); Wm(1) = lambda / (n + lambda); Wc(1) = Wm(1) + (1 - alpha^2 + beta); for i = 2:2*n+1 Wm(i) = 1 / (2*(n + lambda)); Wc(i) = Wm(i); end end滤波主循环里，先让每个sigma点通过状态方程传播，再做加权统计得到预测均值和协方差，然后用同样的方式处理量测更新：
% UKF预测 [X, Wm, Wc] = sigmaPoints(x_est, P_est, 1e-2, 2, 0); X_pred = zeros(1, 2*n+1); for i = 1:2*n+1 X_pred(i) = 0.5*X(i) + 2.5*X(i)/(1+X(i)^2) + 8*cos(1.2*(k-1)); end x_pred = sum(Wm .* X_pred); P_pred = Q; for i = 1:2*n+1 P_pred = P_pred + Wc(i) * (X_pred(i) - x_pred)^2; end % UKF更新 Z_pred = zeros(1, 2*n+1); for i = 1:2*n+1 Z_pred(i) = X_pred(i)^2 / 20; end z_pred = sum(Wm .* Z_pred); Pzz = R; Pxz = 0; for i = 1:2*n+1 Pzz = Pzz + Wc(i) * (Z_pred(i) - z_pred)^2; Pxz = Pxz + Wc(i) * (X_pred(i) - x_pred) * (Z_pred(i) - z_pred); end K = Pxz / Pzz; x_est = x_pred + K * (z(k) - z_pred); P_est = P_pred - K * Pxz';这段代码没有做任何矩阵分解或求导运算，唯一需要小心的是 P_est 要保持对称正定。仿真中偶尔会遇到因为数值截断导致协方差不对称，通常加一个很小的单位阵修正就能解决。
3.4 PF实现：粒子传播、权重计算与系统重采样
粒子滤波的实现逻辑更有蒙特卡洛的味道。首先是初始化一批粒子，之后每一个采样周期里，每个粒子都独立地通过状态方程递推，再根据量测似然度更新权重，最后做重采样。
我来给一份精简但完整的PF核心循环：
% PF初始化 Np = 2000; xp = x0_est + sqrt(P0) * randn(1, Np); wp = ones(1, Np) / Np; for k = 2:N % 预测：每个粒子通过状态方程传播 xp = 0.5*xp + 2.5*xp./(1+xp.^2) + 8*cos(1.2*(k-1)) + sqrt(Q)*randn(1, Np); % 更新：计算每个粒子的似然度 innov = z(k) - xp.^2/20; wp = wp .* exp(-innov.^2 / (2*R)); wp = wp / sum(wp); % 计算有效粒子数，判断是否需要重采样 N_eff = 1 / sum(wp.^2); if N_eff < Np/2 % 系统重采样 cdf = cumsum(wp); u = (rand + (0:Np-1)) / Np; xp_new = zeros(1, Np); for i = 1:Np idx = find(cdf >= u(i), 1); xp_new(i) = xp(idx); end xp = xp_new; wp = ones(1, Np) / Np; end % 输出状态估计 x_est(k) = sum(wp .* xp); P_est(k) = sum(wp .* (xp - x_est(k)).^2); endPF对重采样的依赖很强。如果不重采样，几轮迭代之后权重就会集中到极少数粒子上，粒子多样性急剧下降，这叫粒子退化现象。但重采样频率太高也不行，会让粒子多样性迅速枯竭，好的粒子被反复复制，整体无法覆盖真实状态的后验区域。工程经验是，只有当有效粒子数 N_eff 降到某个阈值（比如 Np/2）以下时才触发重采样，而不是每一帧都重采样。
4. 同一条赛道上的对比：精度、收敛速度与计算量
把三种算法放在同一个仿真系统、同一组真实状态和量测下运行，输出结果才有说服力。我在Matlab里做了一组典型试验，运行50步，粒子数PF取2000，三种算法各跑50次蒙特卡洛，统计RMSE、收敛速度和单步耗时。
4.1 精度对比：UKF与PF各有胜负
下表是一次典型单次仿真中三种算法的均方根误差（RMSE）和平均绝对误差（MAE）：
| 算法 | RMSE | MAE | 最大误差 |
|---|---|---|---|
| EKF | 2.861 | 2.037 | 6.524 |
| UKF | 0.983 | 0.741 | 2.158 |
| PF(2000) | 0.897 | 0.682 | 2.047 |
从结果看，EKF的误差明显偏大，主要原因是量测方程里 x^2/20 这个非线性项在真实状态为正负区间时会产生明显的高阶偏差，一阶线性化无法准确传递这种非线性效应。UKF和PF则表现接近，UKF依靠sigma点能够较好匹配非线性映射后的分布统计量，PF的精度则随着粒子数增加还有进一步提升空间。
需要说明的是，这个结果是典型的但并不是绝对的：如果换一个非线性强度较弱的系统，比如量测方程接近线性，EKF与UKF的差距会显著缩小。因此在做横向对比时，建议多测几组随机种子，不要被单次结果误导。
4.2 收敛速度：初始误差消除的差异
三种算法对初始状态误差的敏感程度也值得关注。如果初始估计偏离真实状态较远，EKF的收敛通常表现得最挣扎——因为雅可比矩阵在偏离点计算出来的线性化模型误差更大，导致滤波初期误差协方差的修正方向有一定偏差。UKF由于sigma点覆盖范围更广，对初始误差的容忍度更高，往往能在前几步就较快拉回真实轨迹。PF在初始阶段只要粒子采样范围覆盖了真实状态，收敛速度也很理想，但如果初始粒子分布完全偏离真实状态，则需要较多样本和几步迭代才能拉回来。
我做了一组比较极端的实验：初始估计直接设为5.0，真实初始状态是0.1。EKF花了大约12步才勉强跟上，UKF大约5步，PF（粒子分布覆盖足够宽）大约3步就收敛了。这个差距在实际项目中很关键，因为滤波器启动阶段的收敛速度直接影响系统上电后的应对表现。
4.3 计算量：EKF最省，PF最贵
在Matlab R2023b环境下，我统计了单步平均耗时（含随机数生成和重采样）：
| 算法 | 单步平均耗时 |
|---|---|
| EKF | 约 0.08 ms |
| UKF | 约 0.52 ms |
| PF (N=1000) | 约 8.3 ms |
| PF (N=5000) | 约 41.5 ms |
EKF确实快得离谱，UKF虽然比EKF慢几倍，但和PF相比完全是两个量级。如果系统对实时性要求苛刻（比如飞行控制里1kHz以上的控制周期），PF基本不可用；UKF是精度和计算量之间的良好折中。
注意：粒子滤波的计算量对粒子数是线性增长的，如果系统状态维度高（比如三维位置加三维姿态），每个粒子本身的状态递推和似然计算又会急剧变慢，粒子数往往需要更大，计算压力非常大。这正是PF在高维状态估计里不常用的原因。
4.4 调参对结果的影响
三种算法的关键参数都会显著影响结果：
- EKF：主要调Q和R，本质是权衡“信任模型”还是“信任量测”。Q取太小会让滤波器反应迟钝，Q取太大又会导致估计值抖动明显。
- UKF：核心调α、β、κ这三个sigma点参数。α决定sigma点离均值的远近，太小可能造成数值不稳定；β在高斯分布下取2是经验最优；κ在多数情况下取0即可。
- PF：最核心的是粒子数Np和重采样阈值。粒子数太少精度不够，太多实时性崩掉；重采样阈值建议在Np/3到Np/2之间试，太低粒子退化明显，太高粒子多样性丧失。
我在仿真中习惯先把Q、R固定，用RMSE曲线去观察滤波器是“超调”还是“迟钝”，再反向调节权重。不要一上来就往复杂参数上纠结——先把最基础的两个噪声方差调明白，剩下的是微调。
5. 实际项目中该选哪种算法？我的踩坑经验与调参建议
学完三种算法，真正到了项目中做选型，反而比写仿真代码更纠结。这里结合我做过的目标跟踪、室内定位、姿态解算这几个方向，谈一谈我自己的经验和教训。
5.1 按非线性强度和实时性做初选
选型本质上只有两个维度：非线性强度多大、实时性要求多高。可以按下面这个思路快速判断：
- 弱非线性、高实时性：选EKF。比如大部分陀螺仪零偏估计、简单的车辆运动模型，EKF的线性化误差可接受，而它的低计算量优势非常明显。此时EKF不是精度最高的选择，但它是嵌入式上最容易实现、最稳的选择。
- 中强非线性、中高实时性：选UKF。比如目标跟踪、GPS/INS组合导航、无人机姿态融合。这类场景里EKF的线性化误差可能导致滤波发散，UKF虽然计算量翻了几倍，但依然在实时预算内，同时避免了手推雅可比的巨大工作量。
- 强非线性、非高斯、实时性要求不高：选PF。比如复杂室内环境的RSSI定位、非线性较强的纯角度跟踪等。PF的代价是计算量大，但换来了对任意分布形态的适应能力。
5.2 几个我实际踩过的坑
先说EKF。有一次我做组合导航，状态维数到了15维，手推雅可比矩阵花了两天时间，结果仿真还是发散。后来一排查，发现量测方程里有一个四元数归一化步骤没有在求导时体现出来，雅可比矩阵漏掉了一个高阶项。这种问题非常隐蔽，因为单看某个中间变量的偏导都对，但复合函数求导时漏掉的项会造成整个滤波器在特定状态下缓慢漂移。后面我长记性了：能用符号工具箱验证就先验证，别拿手推的雅可比直接上真机。
UKF也有自己的坑。sigma点生成依赖协方差矩阵的Cholesky分解，要求P必须正定。仿真中小数点后十几位的截断误差经常让P失去对称性或正定性，我一拍脑袋把P加上1e-10的单位阵去凑Cholesky分解的数值需求，后面学着在每次预测和更新后强制让P = (P + P')/2 做对称化，情况好了很多。
PF最大的坑是粒子数选择。一开始我粒子数取200，结果滤波结果忽好忽坏，增加粒子到2000后才稳定下来。粒子数太少时，粒子分布无法覆盖状态空间中的有效区域，一旦某个粒子碰巧处于真实状态附近，权重就会一家独大，状态估计变成“彩票式”输出，毫无连续性可言。后来我习惯先做一次离线分析，画出有效粒子数随时间变化的曲线，然后用N_eff的最小值反推合适的粒子数，而不是盲猜。
5.3 如果只能用Matlab，推荐的工作流
很多科研场景里，Matlab就是最终实现平台，我给你们梳理一套我自己在用的工作流：
- 先用清晰脚本写清状态方程和量测方程，不要直接揉进滤波代码里，后面调参和复用都方便。
- 以最小可行模型跑通EKF，先确认滤波循环逻辑是对的，再考虑换更复杂的算法。
- 用符号数学工具箱验证雅可比矩阵，如果系统不要求极致实时性，甚至可以直接跳到UKF，省掉手推偏导的环节。
- 做蒙特卡洛仿真而不是单次运行，至少50次独立实验，统计RMSE均值和方差，才能客观评价算法优劣。
- 保存关键中间变量，比如新息序列、协方差对角线、有效粒子数，这些都是诊断滤波问题的第一手材料。
5.4 从仿真到工程落地，还需注意的细节
跑完仿真，到工程落地还有一段路。Matlab里的double精度和嵌入式环境里的float精度差异，有时候会带来完全不同的数值表现。比如UKF中Cholesky分解在单精度下更容易失败。我的建议是：在Matlab里仿真时，就把协方差矩阵的数值量级记录下来，到嵌入式平台上事先做好矩阵的缩放或归一化，防止数据范围过度扩张。
另一个容易被忽略的问题是量测异常的鲁棒性。仿真里z(k)都是干干净净的量测，但真实系统偶尔会跳出一个野值，或者量测丢失。标准EKF/UKF/PF对野值都没有抵抗力，一个异常量测就能把估计拉飞。我建议在滤波代码外面加一层量测合理性判断：如果新息超过3倍的标准差，就跳过该次量测更新，直接用预测值作为输出。这个小改动在工程中收益巨大，远比在算法内部纠结鲁棒性更划算。
6. 我对三种算法最终的个人评价
这三种算法自己跑下来，给我的最大体会是：算法本身并不复杂，复杂的是理解你对系统到底了解多少。EKF好用，是因为它让你必须清楚地知道系统的线性化动力学；UKF好用，是因为它把“近似非线性函数”的负担变成了“近似分布传播”的负担，对模型推导友好得多；PF好用，是因为它彻底放弃了解析近似，全靠算力换精度。
如果只是做学术仿真或者课程作业，建议三种都实现一遍，哪怕最后只用其中一种——因为只有横向对比过，才知道自己手上的系统到底处于什么非线性强度区间，才知道某些看似合理的结果里其实藏着多少近似误差。
我个人在目标跟踪项目里最终选择了UKF作为基础方案，不是因为EKF不能用，而是因为后续要加入机动检测、多传感器融合等模块，UKF在模块扩展时不需要重新推导雅可比，省下的维护成本远超它多出来的那一点计算量。但同一套代码库里的EKF实现我也没有删，遇到实时性吃紧的场景，切换回去做验证依旧很有价值。至于PF，它是我最后的“兜底方案”，凡是在复杂非线性、非高斯环境下被前两者折磨得无法收场时，我就知道该祭出大杀器了。
