Extended Kalman Filter (EKF)

**扩展卡尔曼滤波（EKF）**是一个强大的数学算法，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）为沿直线运动或遵循简单线性方程的系统提供了最优解，但现实世界的物理学很少那么可预测。大多数物理对象，例如对抗风阻的无人机或在多轴上旋转的机械臂，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能够在底层力学复杂时，仍能将高效的滤波技术应用于预测建模任务。

机制与线性化#

为了处理复杂的动态特性，EKF 采用了一种称为线性化的数学过程，它本质上是估计当前操作点处函数的斜率。这通常涉及计算雅可比矩阵以近似系统在短时间间隔内的变化情况。该算法在由两个主要阶段组成的递归循环中运行：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的新的、通常带有噪声的数据来纠正这种投影。这种持续的预测和纠正循环有助于减少数据噪声，并提供比任何单一传感器单独提供的更平滑、更准确的真实状态估计。

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运动项目身份方面发挥着关键作用。像YOLO26这样先进的模型在单帧中检测对象方面表现出色，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其先前的速度和轨迹，预测边界框应该出现在下一视频帧中的位置。这对于处理遮挡（即对象暂时被遮挡而无法看到）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，这是实现强大的多对象追踪（MOT）必不可少的技术。

实际应用#

EKF 的多功能性使其成为各种高科技行业的基石技术，在这些行业中，机器学习（ML）与物理硬件相交汇：

• **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 融合了来自全球定位系统（GPS）、激光雷达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，从而补偿信号中断或环境噪声。
• **机器人技术：**在非结构化环境中运行的机器人使用同时定位与建图（SLAM）算法。EKF 帮助机器人构建房间地图，同时确定其在该地图中的自身位置，并纠正车轮打滑或传感器漂移以确保准确移动。
• **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 算法改进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。

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）：**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 将 KF 扩展为通过近似处理非线性系统。
• **EKF 与粒子滤波：**粒子滤波通过使用许多随机样本（粒子）来表示概率，能够非常好地处理非线性和非高斯噪声。然而，它需要更多的计算能力，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）：无迹卡尔曼滤波提供了一个折中方案，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。

实现示例#

在 ultralytics 包中，追踪算法内部使用卡尔曼滤波概念来平滑轨迹并关联跨帧的检测。虽然在使用高级工具时你不需要手动编写 EKF 矩阵数学，但了解它为追踪器提供动力有助于为Ultralytics 平台配置参数。

以下是如何使用YOLO 模型初始化追踪器，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()}")