Extended Kalman Filter (EKF)
探索用于非线性状态估计的扩展卡尔曼滤波 (EKF)。了解它如何增强 Ultralytics YOLO26 和自主系统中的目标跟踪。
扩展卡尔曼滤波 (EKF) 是一种鲁棒的数学算法，旨在估计表现为非线性的动态系统的状态。虽然标准的 卡尔曼滤波 (KF) 为直线运动或遵循简单线性方程的系统提供了最优解，但现实世界中的物理现象很少如此可预测。大多数物理对象，例如对抗风阻的无人机或在多个轴上旋转的机械臂，都遵循弯曲或复杂的路径。EKF 通过在特定时间点创建系统的线性近似来解决这种复杂性，使工程师和数据科学家即使在底层机制复杂的情况下，也能将高效的滤波技术应用于 预测建模 任务。
Link to this section机制与线性化#
为了处理复杂的动态，EKF 采用了一种称为线性化的数学过程，其本质是估计函数在当前工作点的斜率。这通常涉及计算 雅可比矩阵 来近似系统在短时间间隔内的变化情况。该算法在一个递归循环中运行，包含两个主要阶段：预测和更新。在预测阶段，滤波器使用运动物理模型向前投影当前状态。在更新阶段，它使用来自 陀螺仪 或加速度计等传感器获得的新的、通常带有噪声的数据来修正此投影。这种持续的预测和修正循环有助于减少 数据噪声，并比任何单一传感器单独提供的估计更平滑、更准确地反映真实状态。
Link to this section在计算机视觉中的相关性#
在 计算机视觉 (CV) 领域，扩展卡尔曼滤波在保持移动项目身份方面起着关键作用。YOLO26 等高级模型在检测单帧图像中的对象方面非常出色，但它们本身并不理解随时间推移的运动连续性。通过集成 EKF 或类似逻辑，对象追踪 系统可以根据 边界框 先前的速度和轨迹，预测其在下一帧视频中应出现的位置。这对于处理遮挡（即对象暂时离开视线）特别有用；滤波器通过估计对象的位置来保持“追踪”处于活动状态，直到它再次可见，这是实现鲁棒的 多对象追踪 (MOT) 不可或缺的技术。
Link to this section实际应用#
EKF 的多功能性使其成为 机器学习 (ML) 与物理硬件交叉的各种高科技行业的基石技术：
- 自动驾驶汽车： 自动驾驶汽车依靠 传感器融合 来安全导航。EKF 合并来自全球定位系统 (GPS)、激光雷达 (LiDAR) 和雷达的不同数据流，以计算车辆在道路上的精确位置和方向，从而补偿信号丢失或环境噪声。
- 机器人技术： 在非结构化环境中运行的机器人使用 同步定位与建图 (SLAM) 算法。EKF 帮助机器人在构建房间地图的同时确定其在该地图中的位置，校正车轮打滑或传感器漂移，以确保精准移动。
- 姿态估计： 在虚拟现实或体育分析等应用中，追踪人体关节需要平滑抖动的关键点。EKF 算法优化了深度学习模型的输出，为 动作识别 系统创建流畅、自然的运动动画。
Link to this section与相关概念的比较#
区分扩展卡尔曼滤波与其他相关滤波方法有助于理解其特定用途：
- EKF 与 卡尔曼滤波 (KF) 的对比： 标准 KF 在数学上是最优的，计算成本也更低，但在系统高度非线性时会失效。EKF 通过近似扩展了 KF，使其能够处理非线性系统。
- EKF 与 粒子滤波 (Particle Filter) 的对比： 粒子滤波通过使用大量随机样本（粒子）来表示概率，能够很好地管理非线性和非高斯噪声。然而，它需要显著更多的 计算能力，这使得 EKF 成为资源受限的 嵌入式系统 的首选。
- EKF 与无迹卡尔曼滤波 (UKF) 的对比： 无迹卡尔曼滤波 提供了一种折中方案，使用确定性采样点来处理非线性，而无需 EKF 所需的复杂微积分，尽管 EKF 仍然是许多控制系统的行业标准。
Link to this section实现示例#
在 ultralytics 软件包中，追踪算法在内部使用卡尔曼滤波概念来平滑轨迹并在帧之间关联检测结果。虽然在使用高级工具时你无需手动编写 EKF 矩阵数学公式，但了解它是追踪器的动力来源有助于你为 Ultralytics Platform 配置参数。
以下是如何使用 YOLO 模型 初始化追踪器的方法，该模型利用这些滤波技术进行状态估计：
from ultralytics import YOLO
# Load the latest YOLO26 model (nano version for speed)
model = YOLO("yolo26n.pt")
# Track objects in a video source
# Trackers like BoT-SORT or ByteTrack use Kalman filtering logic internally
results = model.track(source="https://ultralytics.com/images/bus.jpg", tracker="botsort.yaml")
# Print the ID of the tracked objects
for r in results:
if r.boxes.id is not None:
print(f"Track IDs: {r.boxes.id.numpy()}")
