卡尔曼滤波器 (KF)

A 卡尔曼滤波器（KF）是一种递归数学算法，用于估计动态系统随时间变化的状态。该技术最初由鲁道夫·E·卡尔曼提出，对于处理不确定、不准确或包含随机变化（通常称为“噪声”）的数据至关重要。通过结合一系列随时间观察到的、包含统计不准确性的测量值，卡尔曼滤波器能够生成对未知变量的估计，其精度高于仅基于单个测量值的估计。在机器学习（ML）和人工智能（AI）领域，它作为预测建模的关键工具，能够平滑锯齿状数据点，揭示真实的潜在趋势。

卡尔曼滤波器的工作原理

该算法以两步循环运行：预测和更新（也称为校正）。它假设底层系统是线性的，并且噪声服从高斯分布（钟形曲线）。

1. 预测：滤波器使用物理模型将当前状态向前投射。例如，如果一个物体以恒定速度移动，滤波器会根据标准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。
2. 更新：当传感器传来新的测量值时，滤波器会将预测状态与观测数据进行比较。它会计算一个加权平均值——由卡尔曼增益决定——该平均值更信任不确定性较小的值（预测或测量）。结果是一个经过优化的状态估计，作为下一个周期的基准。

在计算机视觉和AI中的应用

尽管最初植根于控制理论和航空航天导航，卡尔曼滤波器现已在现代计算机视觉（CV）管线中无处不在。

• 对象 track：这是最常见的用例。当像YOLO26 这样的 detect 模型在视频帧中识别出对象时，它提供的是一个静态快照。为了理解运动，像BoT-SORT 这样的 tracker 利用卡尔曼滤波器来链接跨帧的 detect。如果一个对象暂时被遮挡（从视野中被阻挡），滤波器会使用该对象之前的速度来预测其位置，防止系统丢失“track”或切换 ID。
• 机器人中的传感器融合：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。一个送货机器人可能会使用 GPS（可能漂移）、轮式编码器（可能打滑）和IMU（有噪声）。卡尔曼滤波器融合这些不同的输入，以提供单一、可靠的导航坐标，这对于安全的自动驾驶车辆操作至关重要。

区分相关概念

区分标准卡尔曼滤波器与其在统计AI中发现的变体和替代方案是有帮助的：

• 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——例如无人机转弯——通常是非线性的。EKF通过在每一步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：尽管KF依赖高斯假设，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灵活，但需要显著更多的计算能力，这可能会影响实时推理速度。

实施实例

在Ultralytics生态系统中，卡尔曼滤波器直接集成到track算法中。您无需手动编写方程式；您可以通过启用track模式来利用它们。Ultralytics平台允许您管理数据集并训练可以轻松部署这些track功能的模型。

这是一个使用python对YOLO26进行track的简洁示例，其中底层tracker自动应用卡尔曼滤波来平滑边界框的移动：

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()}")

对数据质量的重要性

在实际部署中，数据很少是完美的。摄像头会受到运动模糊的影响，传感器会遇到信号噪声。卡尔曼滤波器在决策循环中充当复杂的数据清理机制。通过不断完善估计，它确保AI智能体基于最可能的事实运行，而不是对输入流中的每一个瞬时故障做出反应。这种可靠性对于安全关键型应用至关重要，从监控机场运营到精确的工业自动化。