Extended Kalman Filter (EKF)

扩展卡尔曼滤波器 (EKF) 是一种稳健的数学算法，旨在估计非线性动态系统的状态。标准 卡尔曼滤波器 (KF) 可为沿直线运动或遵循简单线性方程的系统提供最优解，而现实世界中的物理过程很少如此可预测。大多数物体，例如对抗风阻的无人机或绕多个轴旋转的机械臂，都会沿曲线或复杂路径运动。EKF 通过在特定时间点为系统创建线性近似来应对这种复杂性，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。

机制与线性化#

为处理复杂的动态过程，EKF 采用一种称为线性化的数学过程，本质上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，以近似系统在短时间间隔内的变化方式。该算法以递归循环的方式运行，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将当前状态向前推算。在更新阶段，滤波器使用来自 陀螺仪 或加速度计等传感器的新数据（通常带有噪声）来修正这一推算结果。这种持续的预测与修正循环有助于减少 数据噪声，并提供比任何单个传感器单独提供的结果更平滑、更准确的真实状态估计。

与计算机视觉的相关性#

在 计算机视觉 (CV) 领域，扩展卡尔曼滤波器在保持运动目标身份方面发挥着关键作用。像 YOLO26 这样的先进模型擅长检测单帧中的目标，但并不会天然理解随时间推移的运动连续性。通过集成 EKF 或类似逻辑，目标跟踪 系统可以根据目标之前的速度和轨迹，预测 边界框 应在下一视频帧中的位置。这对于处理遮挡尤其有用：当目标暂时被挡住而无法看见时，滤波器会通过估计目标位置来保持“跟踪”持续，直到目标再次出现。这项技术对于稳健的 多目标跟踪 (MOT) 至关重要。

实际应用#

EKF 的多功能性使其成为众多高科技行业的核心技术，这些行业将 机器学习 (ML) 与物理硬件相结合：

• 自动驾驶汽车： 自动驾驶汽车依靠 传感器融合 来实现安全导航。EKF 将全球定位系统 (GPS)、LiDAR 和雷达的不同数据流进行融合，以计算车辆在道路上的精确位置和朝向，同时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会使用 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自己在地图中的位置，并修正车轮打滑或传感器漂移，以确保移动准确。
• 姿态估计： 在虚拟现实或体育分析等应用中，跟踪人体关节需要平滑抖动的关键点。EKF 算法会优化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#

为了理解扩展卡尔曼滤波器的具体用途，有必要将其与相关滤波方法区分开来：

• EKF 与 卡尔曼滤波器 (KF) 的比较： 标准 KF 在数学上是最优的，计算成本也更低，但当系统具有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 粒子滤波器 的比较： 粒子滤波器通过使用大量随机样本（粒子）表示概率，能够很好地处理非线性和非高斯噪声。然而，它需要显著更多的 计算能力，因此对于资源受限的 嵌入式系统，EKF 是更受偏好的选择。
• EKF 与无迹卡尔曼滤波器 (UKF) 的比较： 无迹卡尔曼滤波器 提供了一种折中方案，它使用确定性采样点来处理非线性问题，而不需要 EKF 所需的复杂微积分，不过 EKF 仍然是许多控制系统的行业标准。

实现示例#

在 ultralytics 包中，跟踪算法会在内部使用卡尔曼滤波的概念来平滑轨迹，并关联不同帧中的检测结果。使用高级工具时，你无需手动编写 EKF 矩阵运算代码，但了解它为跟踪器提供支持，有助于你配置 Ultralytics Platform 的参数。

下面介绍如何使用一个 YOLO 模型 初始化跟踪器，该跟踪器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()}")