系列目录#

1. 为什么整理 EKF#

状态估计是机器人和控制系统里非常核心的一类问题。

很多时候，我们并不能直接得到系统的真实状态。传感器会有噪声，模型会有误差，视觉解算、IMU 数据和控制输入也不一定完全一致。滤波器要做的事情，就是在这些不完美的信息之间做融合，得到一个更稳定、更可信的估计。

EKF（Extended Kalman Filter，扩展卡尔曼滤波）是工程里很常见的一种做法。它保留了卡尔曼滤波“预测 + 更新”的主线，同时通过局部线性化处理非线性系统。对于机器人姿态估计、目标跟踪、云台控制和视觉定位这类问题，EKF 往往是理解状态估计的一个重要入口。

我整理这个系列，是想把 EKF 从“公式很多、看起来很抽象”的状态，拆成几个可以顺着读下去的层次：先知道它解决什么问题，再理解它的数学模型，最后看这些公式如何落到代码里。

2. 这个系列想解决什么问题#

这个系列的目标，是让 EKF 从概念、公式到工程实现连起来。

我会重点关注几个方向：

1. 状态估计基础：为什么需要滤波，预测值和观测值如何融合
2. 标准 KF 到 EKF：线性系统和非线性系统的差异，为什么需要雅可比矩阵
3. 四元数姿态表示：为什么不用欧拉角直接做姿态更新
4. 误差状态模型：为什么四元数状态常用三维误差角维护协方差
5. 工程实现细节：预测、残差、卡尔曼增益和协方差更新在代码中的对应关系
6. 近似与取舍：轻量实现里哪些地方是工程化简化，适合什么使用场景

这些内容单独看都不算短，但它们在真实项目里会一起出现。比如一个姿态估计模块跑起来不稳定，问题可能来自测量噪声设置，也可能来自残差定义、四元数归一化、雅可比近似，或者协方差更新方式。

3. 写作方式#

每篇文章会尽量保持一个清晰边界：

1. 先说明当前问题在工程里对应什么场景
2. 给出必要的数学公式和直观解释
3. 说明公式里的变量在代码里对应什么对象
4. 补充实现时容易误解的地方
5. 最后把当前篇和下一篇的内容衔接起来

EKF 很容易被写成纯数学推导，但只看公式并不够。工程实现里还会遇到状态维度、噪声矩阵、四元数乘法顺序、单位长度约束和数值稳定性等问题。

所以这个系列不会追求把所有滤波理论一次讲完，而是围绕一个具体的姿态估计实现，把用到的部分解释清楚。

4. 已完成目录#

目前这个系列先整理三篇正文。

5. 从哪里开始#

这个系列从标准卡尔曼滤波和 EKF 的基本思想开始。

如果直接进入四元数和误差状态，很容易被符号压住。先理解“预测”和“更新”这条主线，再看 EKF 如何用雅可比矩阵处理非线性，后面的姿态解算和 C++ 实现会更容易串起来。

第一篇会先从状态估计的基本问题讲起，再进入 EKF 的五步公式。