卡尔曼滤波需要定义系统模型（状态转移方程和观测方程）以及噪声参数。根据你提供的两组数据，我假设一个常见的场景：
系统状态：待测物理量的真实值（假设为常数或缓慢变化，采用随机游走模型）。
测量数据 （5.2, 5.8, 6.8, 9.0）用于估计初始状态 和初始协方差。
实测数据 （6.1, 6.2, 5.2, 6.8）作为观测值序列，依次进行滤波更新。
目标：基于前4个时刻的观测，预测第5个时刻的状态。
| 步骤 | 公式 | 作用 |
|---|---|---|
| 预测 | x_pred = x_{k-1} |
根据上一时刻估计，预测当前时刻的状态（常数模型） |
P_pred = P_{k-1} + Q |
预报当前预测的不确定性（上一时刻不确定 + 过程噪声） | |
| 计算增益 | K = P_pred / (P_pred + R) |
动态平衡预测值和测量值：K 越大越信任测量，越小越信任预测 |
| 更新状态 | x_k = x_pred + K(z_k - x_pred) |
用测量值修正预测值，得到当前最优估计 |
| 更新协方差 | P_k = (1 - K)P_pred |
降低估计的不确定性（因为引入了新的测量信息） |
1. 参数设定
过程噪声方差 Q ：反映状态随时间变化的随机性。无先验知识时取小值，例如
Q = 0.01。测量噪声方差 R ：反映观测值的可信度。可用测量数据的方差估计，计算得
R ≈ 2.09，但为了滤波更信任观测，这里取R = 0.1（实际可根据传感器精度调整）。初始状态估计 x₀ ：取测量数据的平均值
(5.2+5.8+6.8+9.0)/4 = 6.7。初始协方差 P₀ ：取测量数据的方差
( (5.2-6.7)² + ... + (9.0-6.7)² ) / 4 ≈ 2.09。
2、详细计算过程
已知基础参数
k=1 时刻的计算
表格中 k=1 行：
x_pred=6.7，P_pred=2.10，K=0.9545，x_k=6.1273，P_k=0.0956k=2 时刻的计算
使用上一时刻的结果：x1=6.1273，P1=0.0956，观测 z2=6.2。
表格中 k=2 行：
x_pred=6.1273，P_pred=0.1056，K=0.5136，x_k=6.1646，P_k=0.0514
3. 逐时刻计算
| 时刻 k | 观测 z_k | 预测 x_pred | P_pred | 增益 K | 更新后 x_k | 更新后 P_k |
|---|---|---|---|---|---|---|
| 0 (初值) | - | 6.7 | 2.09 | - | 6.7 | 2.09 |
| 1 | 6.1 | 6.7 | 2.10 | 0.9545 | 6.1273 | 0.0956 |
| 2 | 6.2 | 6.1273 | 0.1056 | 0.5136 | 6.1646 | 0.0514 |
| 3 | 5.2 | 6.1646 | 0.0614 | 0.3804 | 5.7977 | 0.0380 |
| 4 | 6.8 | 5.7977 | 0.0480 | 0.3243 | 6.1228 | 0.0324 |
所以，x5=6.12