卡尔曼滤波的经典推导我翻过不下十遍，每次都觉得它“完美”，但每次真正把它塞进工程代码里，问题就会一个接一个冒出来：模型和实际对不上、噪声统计靠猜、跟踪机动目标时输出严重滞后。自适应卡尔曼滤波（AKF）就是冲着这些坑去的。它并不是一个独立的新算法，而是在标准卡尔曼滤波框架上，让过程噪声协方差 Q、量测噪声协方差 R 或者滤波增益本身，随着数据实时调整的一类方法的统称。这篇内容适合两类人看：一类是刚把标准 KF 跑通、结果却和预期差一大截的朋友；另一类是在目标跟踪、组合导航、电池状态估计这类场景里被“发散”和“滞后”折磨过的工程师。我会把新息序列、协方差匹配、Sage-Husa、强跟踪这些概念从公式一路讲到能直接运行的代码，再把我自己调参时踩过的坑摊开来说。
1. 先弄清楚“自适应”到底在自适应什么
1.1 标准卡尔曼滤波的三个前提，工程上一个都难满足
标准卡尔曼滤波之所以被称为“最优估计”，是有严格条件的：系统动态可以用线性模型描述、过程噪声和量测噪声都是零均值高斯白噪声、并且这两者的统计特性（也就是 Q 和 R）完全已知。在这三条同时成立时，它给出的是最小均方误差意义下的最优估计。问题在于，真实的工程系统几乎不可能同时满足这三条。
先说模型。以最常用的匀速直线运动模型（CV 模型）为例，状态是位置和速度，状态转移矩阵只包含一个采样周期 dt。它的假设是目标在两次采样之间速度不变。可现实里的目标会转弯、会加减速、会因为路面颠簸产生高频抖动。当目标真的开始机动时，CV 模型给出的预测位置会明显落后于真实位置，这个偏差会体现在新息上。如果 Q 设置得比较小，滤波器对模型的信任度很高，它会把这段偏差当成量测噪声的一部分，用很小的增益去修正，结果就是输出平滑得很漂亮，但和真值差了老大一截，而且这个差距会持续存在。
再说噪声。传感器噪声很少是理想的高斯白噪声。它可能有零偏，可能是带色的（前后相关的），可能随温度漂移，还可能在特定时刻出现野值。比如某个测距传感器在强反光环境下会突然给出一个明显偏离的读数，这就是典型的非高斯重尾噪声。标准 KF 对这个野值没有任何抵抗力，它会老老实实按增益把这个错误信息吃进去。
最后说统计特性。Q 和 R 往往是整篇论文里最难写清楚的部分。很多工程代码里这两个矩阵就是拍脑袋填的，填完之后“看着效果还行”就再也不动了。可问题是，Q 和 R 是有物理含义的，它们代表了模型不确定度和观测不确定度。这两个量在系统运行过程中常常是变化的：目标在巡航阶段的模型很准，机动阶段模型很不准；传感器在理想环境下噪声很小，在干扰环境下噪声很大。用一个常数去覆盖全过程，必然顾此失彼。
1.2 三条调整路线：调 Q、调 R、调增益
所有自适应方法，归根结底落在三个可以动手的地方。第一条路是调 Q。Q 在预测步里加到协方差上，P⁻ = F P Fᵀ + Q。Q 变大，预测协方差就变大，卡尔曼增益随之变大，滤波器更相信观测、响应更快，代价是输出抖动增加。第二条路是调 R。R 在增益公式的分母上，R 变大，增益变小，滤波器更相信模型预测，输出更平滑，代价是对真实变化的响应变迟钝。第三条路不改 Q 和 R，而是直接对协方差或者增益动手，比如引入一个大于等于 1 的渐消因子去放大预测协方差，效果上等价于临时把 Q 放大，这也是强跟踪滤波的核心思路。
这三条路的适用边界其实很清楚。如果你的模型结构本身没问题，只是过程噪声的量级估计偏了，那就调 Q。如果传感器在不同工况下的可信度差异很大，那就调 R。如果系统会出现短时的、突发的模型失配（典型的就是目标机动），而你又不想让 Q 在平时变得很大，那就用渐消因子这类瞬时手段。
| 调整对象 | 本质含义 | 典型触发条件 | 主要代价 |
|---|---|---|---|
| Q | 模型不确定度 | 新息持续偏大、模型失配 | 稳态噪声放大 |
| R | 观测不可信度 | 传感器异常、多路径、干扰 | 响应滞后 |
| 增益/渐消因子 | 临时放大预测协方差 | 机动检测、突变 | 数值稳定性变差 |
| 模型集（IMM） | 多个模型并行加权 | 多种运动模式切换 | 计算量与模型设计成本 |
1.3 什么场景真的需要 AKF
我经手过的场景里，有三类问题特别适合上 AKF。第一类是目标跟踪里的机动目标。飞行器在做定高巡航时用 CV 模型很准，一旦进入转弯或者爬升，模型立刻失配，这正是强跟踪滤波的主场。第二类是组合导航。卫星定位的观测噪声在有遮挡、多路径的环境下会从几米恶化到十几米，如果 R 固定不变，滤波器在进入遮挡区后会过度相信这个变差的观测，定位结果跟着跳。第三类是电池荷电状态估计。电池模型里的内阻、容量会随温度和老化慢慢变化，模型参数漂移对应到滤波框架里就是 Q 需要跟着变。
反过来说，如果你的系统模型很准、传感器很干净、工况也很稳定，硬上 AKF 反而会引入不必要的振荡。自适应模块本质上是一个反馈环，反馈环就有稳定性问题，参数没调好会让原本收敛的滤波器变得发散。这一点在后面讲避坑的时候我会展开。
2. 新息序列：整套方法的判断依据
2.1 新息的统计性质是自适应方法的起点
新息（innovation），也叫残差，定义是y_k = z_k - H x̂_k⁻，也就是实际观测减去预测观测。这个量看起来平平无奇，但它承载了整个滤波过程里最关键的信息：模型预测和实际观测之间的差异。
如果模型完全准确、Q 和 R 也完全正确，那么新息序列应该是一个零均值的高斯白噪声序列，协方差为S_k = H P_k⁻ Hᵀ + R。这个结论是卡尔曼滤波理论里的一个标准结果，也是几乎所有新息类自适应方法的基石。为什么？因为一旦新息不满足这个性质，就说明前面那三个前提里至少有一个被破坏了：新息有非零均值，说明存在未建模的系统偏差；新息出现自相关，说明模型阶次不够或者噪声是有色的；新息的样本协方差比理论值 S 大很多，说明实际的不确定度比滤波器自己以为的要大。
实际动手时，检验新息白性最省事的办法是算归一化自相关系数。取一个长度 N 的窗口，计算滞后 1 到若干拍的自相关，除以零滞后自相关，如果某个滞后上的绝对值超过了2/√N，就可以认为该滞后上存在显著相关。这个阈值是白噪声自相关近似服从正态分布时的两倍标准差界，工程上够用了。我一般会把这个检查做在离线分析阶段，用来判断到底是模型阶次的问题还是噪声统计的问题。
2.2 协方差匹配：用样本统计量反推 R
协方差匹配法的思路直白得有点可爱。既然理论上E[y_k y_kᵀ] = H P_k⁻ Hᵀ + R，那我就用最近 N 拍新息的样本协方差Ĉ = (1/N) Σ y_i y_iᵀ去替代左边的期望，然后把 R 解出来：R̂ = Ĉ - H P_k⁻ Hᵀ。这就是最基础的新息自适应估计。
这个式子有一个容易被忽略的性质：当模型不准导致 P⁻ 被低估时，Ĉ会偏大，反推出来的 R̂ 也会偏大，而 R 变大又会压低增益，让滤波器更保守。这其实形成了一个负反馈，起到一定的保护作用。反过来说，如果 P⁻ 被高估，R̂ 可能被算成负数，这时候必须做正定性处理，否则整个滤波过程会直接崩掉。
同样的逻辑可以用来反推 Q。把新息协方差展开，考虑预测步的传播关系，可以得到E[y yᵀ] ≈ H(F P Fᵀ + Q)Hᵀ + R，从中解出 Q 的估计。但这里有个坑：Q 出现在 H 的两侧，如果观测维度小于状态维度（这在工程里是常态，比如二维状态只测位置），那么 H Q Hᵀ 只能确定 Q 在观测空间上的投影，Q 在不可观测方向上的分量是完全没法从新息里辨识出来的。这就是为什么我不建议直接对完整的 Q 矩阵做逐元素估计，而是把它参数化，比如只估一个标量噪声强度 σ²，然后用固定的结构矩阵去乘。
注意：用滑动窗口估协方差时，窗口内的新息必须来自同一个统计分布。如果窗口里恰好包含了一次机动，估出来的 R 会被这次机动污染，变得异常大。工程上的做法是加门限，把超出 NIS 阈值的野值剔出窗口。
2.3 NIS 检验：判断滤波器当前状态是否可信
归一化新息平方（Normalized Innovation Squared，NIS）定义为d² = yᵀ S⁻¹ y。在模型正确的假设下，它服从自由度为观测维度 m 的卡方分布。这个量把新息按理论不确定度做了归一化，所以它的数值大小直接反映了“当前这一拍的新息是否合理”。
常用的单边置信阈值是这样的：自由度 1 时 95% 置信阈值约 3.84，自由度 2 时约 5.99，自由度 3 时约 7.81。实际用的时候不会卡这么死，我一般按 99% 置信度取，自由度 1 对应 6.63 左右。如果连续多拍的 NIS 都超过阈值，基本可以判定模型失配或者噪声统计偏小。
NIS 在 AKF 里有三个典型用途。第一是作为自适应触发条件：平时不调整，只在 NIS 超限时才启动调整，这样能避免稳态下无谓的抖动。第二是做野值剔除：NIS 超限的观测直接丢弃或者降权，这就是门限滤波的基本形态。第三是做机动检测：NIS 突然冲高往往意味着目标开始机动，可以据此切换模型或者启动渐消。
3. 三类主流自适应策略的落地细节
3.1 Sage-Husa 递推估计与遗忘因子的取法
Sage-Husa 估计器是最经典的一套在线噪声统计估计算法，它的核心思想是把新息协方差做成指数加权递推，然后用递推结果去修正 Q 和 R。以 R 为例，递推形式是：
d_k = (1 - b) / (1 - b^(k+1)) R̂_k = (1 - d_k) R̂_{k-1} + d_k (y_k y_kᵀ - H P_k⁻ Hᵀ)这里的 b 是遗忘因子，取 0 到 1 之间，越接近 1 表示记忆越长、估计越平滑。d_k 是时变加权系数，它的设计是为了让递推在初始阶段快速收敛、后期逐渐稳定。Q 的估计形式类似，但要复杂一些：
Q̂_k = (1 - d_k) Q̂_{k-1} + d_k (K_k y_k y_kᵀ K_kᵀ + P_k - F P_{k-1} Fᵀ)注意这个式子里用到了卡尔曼增益 K 和后验协方差 P，也就是说 Q 的估计依赖于当前滤波结果，这就带来了一个问题：Q 和 R 同时估计时，两者会互相干扰，容易产生负方差，导致滤波器发散。这个问题在理论上被称为可辨识性问题：在观测维度有限时，Q 和 R 的效应是耦合的，增大 Q 和减小 R 对增益的影响可能差不多，算法没法区分到底是哪一个变了。
工程上的通行做法是只估一个。我的经验是：如果模型结构基本可信、主要是传感器环境在变，就固定 Q 估 R；如果传感器比较稳定、主要是模型在漂移，就固定 R 估 Q。同时估计的话，一定要加遗忘因子、正定投影和交替更新的策略，而且要有随时切回固定值的备用路径。
还有一点实操细节：Sage-Husa 估出来的 R 必须做对称化和正定化处理。协方差矩阵理论上必须是对称正定的，数值计算中会出现不对称，直接拿去做求逆迟早出问题。我一般会先做R = (R + Rᵀ)/2，再做特征值分解，把小于下限的特征值直接截断到下限值，然后重组矩阵。
3.2 强跟踪滤波：让渐消因子在机动时自动放大
强跟踪滤波（STF）是处理机动目标最顺手的一招。它的出发点很有意思：卡尔曼滤波的新息序列在模型匹配时是正交的，E[y_{k+j} y_kᵀ] = 0（j 不等于 0）。当目标发生机动、模型失配时，这个正交性被破坏，新息出现相关性。强跟踪的做法是引入一个渐消因子 λ，强制让新息序列恢复正交性，等价于把预测协方差放大，从而提高增益。
具体实现是：先根据上一拍新息计算实际的协方差估计V_k，k=1 时直接取y_1 y_1ᵀ，k>1 时用遗忘递推V_k = (ρ V_{k-1} + y_k y_kᵀ)/(1 + ρ)，ρ 常取 0.95。然后算两个量：
N = V_k - H Q Hᵀ - β R M = H F P_{k-1} Fᵀ Hᵀ λ = tr(N) / tr(M)如果算出来的 λ 小于 1，就取 1，也就是只在需要放大时才生效，绝不缩小。最后预测协方差变成P_k⁻ = λ F P_{k-1} Fᵀ + Q。
β 是弱化因子，通常取大于等于 1 的值。它的作用是压低 λ 的激进度，避免稳态下新息的随机波动被误判成机动而反复放大增益。β 取 1 时最灵敏，取 3 到 5 时比较保守。我一般从 1 开始试，如果稳态噪声明显变大就往上加。
强跟踪有个细节特别容易出错：M 里的 P 必须是上一拍的后验协方差，而 N 里的 R 是当前使用的量测噪声。如果代码里把 predict 和 calculate lambda 的顺序搞反了，PQ 的位置就会错，λ 会算得莫名其妙。我见过不少人直接把 λ 夹在 [1, 5] 区间里防止爆炸，这其实是治标不治本，真正该检查的是 V 的递推和 ρ 的取值。
3.3 变分贝叶斯与多模型：两种更重的方案
变分贝叶斯（VB）方法把 R（或者 Q）看成随机变量而不是确定值，给它一个逆 Wishart 先验，然后在每一拍做几次变分迭代去更新后验。它的好处是不需要手动设计遗忘因子，自适应速率由先验强度自然决定。代价是实现复杂度高，迭代次数和先验参数也需要调，而且对模型假设比较敏感。我在传感器噪声慢变、且对稳定性要求高的场景里用过，效果确实比 Sage-Husa 平滑，但调试周期长不少。
交互式多模型（IMM）走的是另一条路：与其让一个模型去适应所有情况，不如准备几个模型，比如一个低 Q 的平稳模型加一个高 Q 的机动模型，每个模型各跑一套 KF，最后按模型概率加权输出。模型概率由似然函数更新，机动发生时高 Q 模型的概率会迅速上升。IMM 的跟踪效果通常是最好的，但它要求你事先知道有哪几种运动模式，转移概率矩阵也要调。计算量大致是单模型的 N 倍（N 是模型数），嵌入式平台上要掂量。
| 方法 | 自适应对象 | 实现复杂度 | 响应速度 | 适合场景 |
|---|---|---|---|---|
| 新息协方差匹配 | R 或 Q | 低 | 中 | 噪声统计慢变 |
| Sage-Husa | Q 或 R | 中 | 中 | 在线估计噪声 |
| 强跟踪 STF | 渐消因子 | 中 | 快 | 机动目标 |
| 变分贝叶斯 | R 或 Q | 高 | 慢 | 高稳定性要求 |
| IMM | 模型概率 | 高 | 快 | 多运动模式 |
4. 从公式到代码：一个能直接跑的 CV 模型 AKF
4.1 模型搭建与参数初始化
我拿最常见的匀速直线运动模型举例，状态取位置和速度两维，观测只有位置。采样周期取 0.1 秒，也就是 10 Hz。过程噪声按连续白噪声加速度模型建模，噪声强度 σa 取 0.5 m/s²，量测噪声标准差 σr 取 2 米。这几个数字对应一个中等机动性的地面目标和一台普通测距设备，量级上是合理的。
连续白噪声加速度模型下的 Q 矩阵有标准形式，用加速度噪声强度乘以一个结构矩阵：
Q = σa² * [[dt⁴/4, dt³/2], [dt³/2, dt² ]]这个结构矩阵的推导来自对加速度在采样周期内做积分，位置受到的影响是加速度的二重积分，速度受到的是一重积分，所以量纲上分别是 dt⁴ 和 dt²。很多人图省事直接用Q = q * I，这在速度维和位置维量纲差异大的时候会让滤波器行为很怪，建议还是用这个标准结构。
观测矩阵H = [1, 0]，只测位置。初始协方差 P0 按实际初始误差给，位置误差 10 米、速度误差 5 m/s，所以 P0 取对角阵diag(100, 25)。
4.2 核心循环与两个自适应模块
下面这段代码把前面讲的新息自适应 R 和渐消因子都放进去了，可以单独开关，方便对比。代码里的数值保护（对称化、正定投影、Joseph 形式更新）都是我实际在用的写法，不是摆设。
import numpy as np class AdaptiveKF: def __init__(self, dt, sigma_a, sigma_r, x0, P0, win=20, adapt_r=True, fading=True, rho=0.95, beta=1.0, r_min=1e-4, r_max=1e4): self.dt = dt self.F = np.array([[1.0, dt], [0.0, 1.0]]) self.H = np.array([[1.0, 0.0]]) self.G = np.array([[0.5 * dt * dt], [dt]]) self.Q = (sigma_a ** 2) * (self.G @ self.G.T) self.R = np.array([[sigma_r ** 2]]) self.x = np.array(x0, dtype=float).reshape(2, 1) self.P = np.array(P0, dtype=float) self.win = win self.adapt_r = adapt_r self.fading = fading self.rho = rho self.beta = beta self.r_min = r_min self.r_max = r_max self.innov_hist = [] self.V = None self.y_prev = None def _fading_factor(self): if not self.fading or self.y_prev is None: return 1.0 y = np.array([[self.y_prev]]) if self.V is None: self.V = y @ y.T else: self.V = (self.rho * self.V + y @ y.T) / (1.0 + self.rho) num = float(np.trace(self.V - self.H @ self.Q @ self.H.T - self.beta * self.R)) den = float(np.trace(self.H @ self.F @ self.P @ self.F.T @ self.H.T)) if den <= 1e-12 or num <= 0: return 1.0 return max(1.0, num / den) def _adapt_R(self, P_pred, y): self.innov_hist.append(y.flatten()) if len(self.innov_hist) > self.win: self.innov_hist.pop(0) if not self.adapt_r or len(self.innov_hist) < self.win: return Y = np.array(self.innov_hist) # (win, 1) C = Y.T @ Y / self.win r_est = float(C[0, 0] - (self.H @ P_pred @ self.H.T)[0, 0]) r_est = min(max(r_est, self.r_min), self.r_max) # 一阶平滑，避免 R 跳变导致增益抖动 self.R = 0.9 * self.R + 0.1 * np.array([[r_est]]) def step(self, z): z = np.array([[float(z)]]) lam = self._fading_factor() x_pred = self.F @ self.x P_pred = lam * (self.F @ self.P @ self.F.T) + self.Q y = z - self.H @ x_pred S = self.H @ P_pred @ self.H.T + self.R self._adapt_R(P_pred, y) S = self.H @ P_pred @ self.H.T + self.R # 用 solve 代替显式求逆，数值上更稳 K = np.linalg.solve(S.T, (P_pred @ self.H.T).T).T self.x = x_pred + K @ y IKH = np.eye(2) - K @ self.H # Joseph 形式保证协方差正定 self.P = IKH @ P_pred @ IKH.T + K @ self.R @ K.T self.P = 0.5 * (self.P + self.P.T) self.y_prev = float(y[0, 0]) return self.x.copy(), self.P.copy()代码里有两个地方值得单独说明。一是_fading_factor用的是上一拍的新息，而不是当前拍的。原因是渐消因子必须在预测之前算出来，而此时当前拍的观测还没进来，所以只能滞后一拍。这是标准做法，影响不大，但如果机动发生得很突然，响应会晚一个采样周期。二是_adapt_R里加了一阶平滑。如果直接把窗口估计值赋给 R，R 会在每拍之间跳来跳去，增益跟着抖，输出反而更差。用 0.9 的旧值加 0.1 的新值，相当于给自适应通道加了个低通，这是我在实际调试里加上的，效果比直接赋值稳定得多。
4.3 结果对比与参数扫描的做法
我一般跑三组对照：纯标准 KF、只开渐消、渐消加 R 自适应。评价指标用位置 RMSE 和速度 RMSE，另外看最大误差和收敛时间。在一组包含三次机动的仿真里，我观察到的典型量级是这样的：标准 KF 的位置 RMSE 在 3 米出头，机动段误差能冲到 8 米以上；只开渐消能压到 2.2 米左右，机动段的峰值明显下降；再叠加 R 自适应，RMSE 能到 1.8 米上下。这些数字和具体的噪声设置、机动强度强相关，只能作为量级参考，不要当成标准答案。
参数扫描我建议一维一维来，不要一上来就网格搜索。先固定自适应关闭，把 Q 扫一遍，找到稳态误差和响应速度的折中点；再打开渐消，扫 β，观察机动段的峰值误差和稳态噪声的权衡；最后打开 R 自适应，扫窗口长度。每一步都画出误差曲线，光看 RMSE 一个数很容易被平均掉的信息骗过去。
5. 参数调优与工程避坑实录
5.1 窗口长度、遗忘因子、阈值怎么定
窗口长度 N 是最影响手感的参数。N 太小，样本协方差估计的方差大，R̂ 会剧烈波动；N 太大，估计滞后，机动过去好几拍 R 还没调过来。我的经验法则是：窗口覆盖的时间N * dt应该小于你关心的最短机动持续时间的 1/3。比如机动持续 2 秒，采样 10 Hz，那窗口最多取 6 到 7 拍。如果机动持续时间很长、噪声又比较平稳，可以放大到 20 到 50。前面代码里默认 20，是个偏保守的起点。
遗忘因子 b 或 ρ 控制记忆长度。b 越接近 1，等效记忆越长。常用范围是 0.95 到 0.995。我的习惯是从 0.98 开始，如果发现滤波器对突变的响应太慢就往下调，如果稳态抖动明显就往上调。
NIS 阈值建议按 99% 置信度取，自由度 1 时约 6.63，自由度 2 时约 9.21。实际使用的时候不要只用单拍判断，连续 3 拍里有 2 拍超限才触发，能有效降低误触发率。
注意：所有自适应参数都有耦合。把 R 的下限设得太小，滤波器会过度相信观测，一旦遇到野值就会被带偏；设得太大，自适应就形同虚设。r_min 和 r_max 这两个边界要根据传感器的物理特性来定，不要随便填。
5.2 数值稳定性：几个不能省的写法
自适应滤波比标准 KF 更容易出数值问题，因为协方差矩阵在动态调整，正定性随时可能被破坏。我总结了几条硬性要求。
第一，协方差更新必须用 Joseph 形式，也就是P = (I-KH)P⁻(I-KH)ᵀ + KRKᵀ，而不是简化的P = (I-KH)P⁻。后者在增益接近最优时理论上等价，但数值上会累积误差，跑几千拍之后 P 可能失去正定性，滤波器直接崩。
第二，每一拍结束都做一次对称化P = (P + Pᵀ)/2。矩阵乘法在浮点运算下会引入微弱的不对称，单次看不出来，长期累积会让 Cholesky 分解失败。
第三，求逆用 solve 或者 Cholesky 分解，不要显式算inv(S)。S 是正定对称的，用 Cholesky 分解S = LLᵀ，然后分两次三角求解，数值精度和速度都更好。状态维度高的时候这个差别非常明显。
第四，如果状态维度超过 10 或者观测精度差异极大，考虑平方根滤波或者 UD 分解滤波。它们传播的是协方差的因子而不是协方差本身，条件数好得多。代价是实现复杂度上一个台阶，一般场景用不上。
5.3 常见问题速查表
下面这张表是我这些年遇到过的典型现象和对应排查方向，基本上是照着现象去查就能定位。
| 现象 | 最可能的原因 | 排查与处理 |
|---|---|---|
| 估计持续偏离真值，P 反而越来越小 | Q 太小，滤波器过度自信 | 增大 Q，或开启渐消因子 |
| 稳态输出抖动明显变大 | 渐消因子在稳态被误触发 | 提高 β，或给 λ 加上限 |
| 新息均值明显不为零 | 存在未建模的系统偏差 | 扩维估计偏差，或做零偏标定 |
| R 估计出现负值或剧烈跳变 | 窗口太短、野值污染、P⁻ 高估 | 加正定投影与上下限，加一阶平滑 |
| 机动段响应慢半拍 | 渐消基于上一拍新息 | 缩短窗口，或引入机动检测提前触发 |
| 运行几千拍后结果崩坏 | 协方差失去正定性 | 改 Joseph 形式，加对称化 |
| 自适应开启后反而不如固定参数 | 反馈环参数过激 | 降低自适应速率，加触发门限 |
6. 不同场景下的取舍与几点个人体会
组合导航里的 AKF 和目标跟踪里的 AKF，用法差别挺大。卫星定位的观测噪声变化是环境驱动的，进隧道、过城市峡谷，噪声会成倍恶化，但系统动态本身是连续的。这种场景我倾向于只调 R，而且一定要设上限，否则一次严重遮挡会把 R 估到极大，出了遮挡区之后要很久才能恢复。目标跟踪正好相反，传感器是稳定的，变的是目标运动模式，所以主调 Q 或者用渐消因子，响应速度是第一位。
电池状态估计又是另一种情况。模型参数随温度和老化缓慢漂移，变化时间尺度是小时级别，这时候遗忘因子要取很大，接近 1，窗口也要长。用目标跟踪那套快节奏参数去调电池，只会让估计值上下乱跳。
最后分享几个我在调试时形成的习惯。第一，永远先跑标准 KF 作为基线，把它的误差曲线存下来，后面所有自适应改动都跟它比，不然很容易陷入“感觉变好了”的自我暗示。第二，把新息序列和 NIS 序列画出来看，这两个曲线几乎能解释所有异常，比盯着最终误差曲线有用得多。第三，自适应模块一定要能一键关掉，出问题的时候先关掉确认是自适应引入的还是基础滤波本身就有问题，这个排查顺序能省掉大量时间。第四，别迷信复杂度，我在一个车载定位项目里试过 IMM，效果比单模型加强跟踪只好了一点点，但计算量和调试成本翻了几倍，最后还是退回了简单方案。
