扩展卡尔曼滤波器 (EKF)

扩展卡尔曼滤波器 (EKF)是一种强大的数学算法，旨在估计非线性动态系统的状态。尽管标准卡尔曼滤波器 (KF)为沿直线移动或遵循简单线性方程的系统提供了最优解，但现实世界的物理现象很少如此可预测。大多数物理对象，例如抵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，允许工程师和数据科学家将高效的滤波技术应用于预测建模任务，即使底层机制很复杂。

机制与线性化

为了处理复杂的动态，EKF 采用一种称为线性化的数学过程，它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。该算法在一个递归循环中运行，包括两个主要阶段：预测和更新。在预测阶段，滤波器使用物理运动模型向前预测当前状态。在更新阶段，它使用来自传感器（如陀螺仪或加速度计）的新数据（通常是带噪声的数据）来校正此预测。这种持续的预测和校正循环有助于减少data noise，并提供对真实状态更平滑、更准确的估计，比任何单个传感器单独提供的数据都要好。

在计算机视觉中的相关性

在计算机视觉（CV）领域， 扩展卡尔曼滤波器（EKF）在保持移动物体身份识别方面发挥着关键作用。诸如YOLO26等先进模型虽擅长单帧物体检测， 却无法天然理解时间维度的运动连续性。通过集成EKF或类似逻辑， 物体追踪系统可基于物体先前速度与轨迹， 预测其边界框在下一视频帧的出现位置。 该技术在处理遮挡场景时尤为有效——当目标物体暂时被遮挡时，滤波器通过持续估算目标位置维持"track"，直至目标重新显现。这种技术对实现稳健的多目标跟踪（MOT）至关重要。

实际应用

EKF的通用性使其成为各种高科技产业中的基石技术，尤其是在机器学习 (ML)与物理硬件结合的领域：

• 自动驾驶汽车：自动驾驶汽车依赖传感器融合来安全导航。EKF合并来自全球定位系统 (GPS)、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，并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 同步定位与地图构建 (SLAM) 算法。扩展卡尔曼滤波器 (EKF) 帮助机器人在构建房间地图的同时确定自身在该地图中的位置，纠正车轮打滑或传感器漂移，以确保精确移动。
• 姿势估计 ：在虚拟现实或运动分析等应用中，追踪人体关节需要平滑抖动的关键点。扩展卡尔曼滤波算法通过优化深度学习模型的输出，为动作识别系统生成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器与相关滤波方法有助于理解其特定用途：

• 扩展卡尔曼滤波器（EKF）与卡尔曼滤波器（KF）： 标准卡尔曼滤波器在数学上最优且计算成本较低，但在系统高度非线性时失效。 扩展卡尔曼滤波器通过近似方法将卡尔曼滤波器扩展至非线性系统。
• EKF与粒子滤波器对比：粒子滤波器通过使用大量随机样本（粒子）来表示概率，能很好地处理非线性和非高斯噪声。然而，它需要显著更高的计算能力，这使得扩展卡尔弗里特滤波器（EKF）成为资源受限的嵌入式系统的首选方案。
• EKF与无香卡尔曼滤波器（UKF）的对比： 无香卡尔曼滤波器提供了一种折中方案， 通过确定性采样点处理非线性问题， 无需EKF所需的复杂微积分运算。 尽管如此，EKF仍被众多控制系统视为行业标准。

实施实例

在 ultralytics 包中，track算法内部利用卡尔曼滤波概念来平滑轨迹并关联跨帧的detect。虽然在使用高级工具时，您无需手动编写EKF矩阵运算代码，但了解它是track器的核心有助于配置相关参数。 Ultralytics 平台.

以下是如何使用YOLO模型初始化一个track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()}")