4. 状态估计与传感器融合高频题：卡尔曼滤波、扩展卡尔曼、粒子滤波、IMU/编码器融合、常见追问
知识结构速览：本模块覆盖四大核心融合算法（KF、EKF、PF、IMU+编码器），高频考点集中在算法原理、适用场景、工程调参与追问陷阱。
状态估计方法对比表
| 方法 | 适用系统 | 噪声假设 | 计算量 | 面试关键词 |
|---|---|---|---|---|
| 卡尔曼滤波 (KF) | 线性高斯 | 高斯白噪声 | 低 | 预测-更新闭环，协方差递推 |
| 扩展卡尔曼 (EKF) | 弱非线性/可微 | 高斯 | 中 | 一阶泰勒展开，雅可比矩阵 |
| 粒子滤波 (PF) | 非线性非高斯 | 任意分布 | 高 | 重要性采样，重采样，退化和贫化 |
| IMU+编码器融合 | 轮式/足式机器人 | 互补滤波或KF | 低-中 | 航迹推算漂移，零点偏置，松/紧耦合 |
面试问答卡 1：卡尔曼滤波基本原理与步骤
面试问题：请解释卡尔曼滤波的基本原理和核心步骤。
面试官考察点：基础是否扎实；能否清晰讲清预测-更新闭环；是否理解协方差传播与卡尔曼增益含义。
回答框架：
- 定性说明：KF是最优线性状态估计器，利用系统模型和观测数据递推。
- 两步走：时间更新（预测状态与协方差）→ 测量更新（计算增益、修正状态、更新协方差）。
- 关键变量：状态向量x、协方差P、过程噪声Q、观测噪声R。
- 适用条件：线性系统、高斯白噪声。
简短示例回答：卡尔曼滤波分两步：第一步根据系统模型预测下一时刻状态和协方差；第二步利用传感器观测计算卡尔曼增益，融合预测与观测得到最优估计。核心假设是线性系统且噪声均为高斯白噪声，实际调试时需重点调整Q和R矩阵。
可能追问：Q和R矩阵如何设定？协方差初值P0的影响？卡尔曼增益的物理意义？如果系统模型不准会怎样？
避坑提醒：不要只背诵公式；一定要手动推导一遍两步更新公式（尤其是一维情形）。面试中常见陷阱是混淆“状态更新”和“协方差更新”的顺序。另外，强调Q/R对角矩阵假设。
面试问答卡 2：扩展卡尔曼滤波 (EKF) vs 标准卡尔曼滤波
面试问题：扩展卡尔曼滤波与标准卡尔曼滤波的核心区别是什么？什么场景下必须用EKF？
面试官考察点：对非线性处理的理解；能否讲清泰勒展开与雅可比矩阵的作用；是否知道EKF的局限（线性化误差、发散风险）。
回答框架：
- 区别：EKF对非线性函数在估计点做一阶泰勒展开，用雅可比矩阵代替状态转移/观测矩阵。
- 适用场景：系统模型或观测模型为弱非线性（如带IMU的姿态估计、机器人的里程计融合）。
- 局限性：线性化导致误差累积，强非线性下发散风险高；雅可比计算复杂。
- 替代方案：UKF（无迹变换）或PF（粒子滤波）。
简短示例回答：EKF将非线性模型在当前状态处做一阶泰勒展开，用雅可比矩阵替换线性KF中的矩阵。适用于弱非线性系统，如机器人轮速+IMU的航迹推算。缺点是线性化误差可能发散，此时可改用UKF或粒子滤波。
可能追问：写出EKF的预测和更新方程？雅可比矩阵如何推导？EKF发散如何诊断和补救？对比UKF优缺点？
加分点：回答时手动写出
F = ∂f/∂x 和 H = ∂h/∂x，并说明为什么常用一阶而非二阶（计算量/精度权衡）。能主动提到UKF的sigma点采样更优会更受青睐。
面试问答卡 3：IMU与编码器融合（常见场景）
面试问题：轮式机器人中，IMU和编码器如何融合实现定位？常见的融合框架及注意事项。
面试官考察点：实际工程经验；是否理解航迹推算漂移根源；能否区分松耦合和紧耦合；对IMU零偏和编码器滑移的处理。
回答框架：
- 任务：编码器提供轮速（短时准确长时累积误差），IMU提供加速度/角速度（高频但零偏漂移）。
- 常见方法：互补滤波（低通+高通）、KF/EKF融合（状态量：位置、速度、姿态、零偏）。
- 松耦合：分别解算再融合；紧耦合：原始数据级融合（如预积分）。
- 工程痛点：编码器滑移、IMU零偏温漂、坐标系对齐、传感器时间同步。
简短示例回答：常用方案：将编码器线速度和IMU角速度作为输入，状态量包括位置、姿态和IMU零偏，用EKF进行融合。编码器估计短期位姿，IMU修正姿态并积分加速度，零偏作为状态实时估计。需注意编码器打滑时的异常检测和IMU温补。
可能追问：互补滤波和KF的适用边界？如何检测编码器打滑？IMU预积分原理？零偏收敛需要多长时间？
避坑提醒：不要直接说“把IMU和编码器数据加权平均”。面试官希望听到状态估计框架（如EKF），并需要明确状态向量包含零偏。另外，强调“时间戳对齐”是工程关键。