Kalman Filter (KF)

探索卡尔曼滤波如何在不确定性下估计系统状态。学习使用它进行 Ultralytics YOLO26 对象跟踪，以提高 AI 精度。

**卡尔曼滤波（Kalman Filter，简称 KF）**是一种递归数学算法，用于随时间推移估计动态系统的状态。该技术最初由 Rudolf E. Kálmán 提出，对于处理不确定、不准确或包含随机变异（通常称为“噪声”）的数据至关重要。通过结合一段时间内观察到的、包含统计误差的一系列测量值，卡尔曼滤波产生的未知变量估计值比仅基于单次测量的值更为精确。在机器学习（ML）和人工智能（AI）领域，它是预测建模的关键工具，能够平滑锯齿状数据点以揭示真正的底层趋势。

卡尔曼滤波的工作原理#

该算法按两步循环运行：预测和更新（也称为校正）。它假设底层系统是线性的，且噪声服从高斯分布（钟形曲线）。

**预测：**滤波器使用物理模型将当前状态向前推算到未来。例如，如果一个物体以恒定速度运动，滤波器会根据标准的运动学方程预测其下一个位置。此步骤还会估计与该预测相关的不确定性。
更新：当传感器传来新的测量值时，滤波器将预测状态与观测数据进行比较。它会计算一个由卡尔曼增益确定的加权平均值，该增益对不确定性较小的值（预测值或测量值）给予更多信任。其结果是一个精炼的状态估计，作为下一个循环的基准。

在计算机视觉和 AI 中的应用#

虽然卡尔曼滤波最初根植于控制理论和航空航天导航，但它现在已广泛应用于现代计算机视觉（CV）流水线中。

**对象跟踪：**这是最常见的用例。当像 YOLO26 这样的检测模型在视频帧中识别出对象时，它会提供一个静态快照。为了理解运动，像 BoT-SORT 这样的跟踪器利用卡尔曼滤波来关联跨帧的检测结果。如果对象被临时遮挡（视线受阻），滤波器会利用对象的先前速度来预测其位置，从而防止系统丢失“跟踪”或切换 ID。
**机器人传感器融合：**在机器人技术中，机器必须使用多个有噪声的传感器进行导航。配送机器人可能会使用 GPS（可能会漂移）、轮式编码器（可能会打滑）和 IMU（有噪声）。卡尔曼滤波融合了这些不同的输入，为导航提供单一、可靠的坐标，这对于安全的自动驾驶汽车运营至关重要。

区分相关概念#

区分标准卡尔曼滤波与统计 AI中发现的各种变体和替代方案会很有帮助：

**卡尔曼滤波与扩展卡尔曼滤波（EKF）：**标准 KF 假设系统遵循线性方程（直线）。然而，现实世界的运动——比如无人机倾斜转弯——通常是非线性的。EKF 通过在每个步骤中使用导数线性化系统动力学来解决这个问题，使其适用于复杂的轨迹。
**卡尔曼滤波与粒子滤波：**虽然 KF 依赖于高斯假设，但粒子滤波使用一组随机样本（粒子）来表示概率分布。粒子滤波对于非高斯噪声更具灵活性，但需要显著更多的计算能力，这可能会影响实时推理速度。

实现示例#

在 Ultralytics 生态系统中，卡尔曼滤波直接集成到了跟踪算法中。你无需手动编写方程；只需启用跟踪模式即可利用它们。Ultralytics Platform 允许你管理数据集并训练模型，这些模型可以轻松部署这些跟踪功能。

这是一个使用 Python 结合 Ultralytics YOLO26 进行追踪的简明示例，底层追踪器会自动应用卡尔曼滤波来平滑边界框的运动：

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Run tracking on a video source
# The 'botsort' tracker uses Kalman Filters internally for state estimation
results = model.track(source="traffic_video.mp4", tracker="botsort.yaml")

# Process results
for result in results:
    # Access the tracked IDs (assigned and maintained via KF logic)
    if result.boxes.id is not None:
        print(f"Tracked IDs in frame: {result.boxes.id.cpu().numpy()}")