卡尔曼增益：动态权重，最优估计

在卡尔曼滤波中，观测值和预测值的权重由 卡尔曼增益 动态决定。这个权重不是固定的，而是根据两者当前的不确定性（误差大小）实时计算得出。

核心规则：谁更可靠，就赋予更高权重

1. 权重计算公式（直观理解）

卡尔曼增益 K = 预测的不确定性 / (预测的不确定性 + 观测的不确定性)

2. 三种典型情况：

情况	预测不确定性	观测不确定性	卡尔曼增益 K	权重分配	最终估计偏向
GPS信号极好 （观测很准）	大	很小	接近 1	观测值权重高	强烈信任观测值 （用观测值大幅修正预测）
运动模型极准 （预测很准）	很小	大	接近 0	预测值权重高	强烈信任预测值 （用观测值微调预测）
两者误差相当	中等	中等	约 0.5	均衡权重	取两者折中值

3. 具体计算过程（简化版）：

预测的不确定性 = P_pred（预测协方差）
观测的不确定性 = R（观测噪声协方差）

卡尔曼增益 K = P_pred / (P_pred + R)

最终估计值 = 预测值 + K × (观测值 - 预测值)
观测值权重 ≈ K
预测值权重 ≈ 1-K

4. 实际例子：

假设预测位置是 x=100米，观测位置是 x=110米：

K = 10/(10+1) ≈ 0.91

最终位置 = 100 + 0.91×(110-100) ≈ 109.1米 → 很接近观测值K = 1/(1+10) ≈ 0.09

最终位置 = 100 + 0.09×(110-100) ≈ 100.9米 → 很接近预测值

5. 关键点：

• 不确定性是动态变化的：每轮迭代都会更新预测的不确定性（P_pred）

• 权重自动调节：无需人工设置，完全由数据驱动

• 数学上最优：在高斯噪声假设下，这种权重分配能给出最小均方误差估计

一句话总结：

卡尔曼滤波通过实时比较预测和观测两者的误差大小，自动将更高的权重分配给当前更可靠的信息源------如果观测更准就多信观测，如果预测更准就多信预测。