3、传感器模型与噪声：高斯噪声模型、卡尔曼滤波基础、传感器标定

做目标点跟踪，传感器就是我们的眼睛。但说实话，没有哪双眼睛是完美的。我做了这么多年控制，见过太多因为传感器噪声没处理好，导致整个系统崩溃的案例。今天咱们就来聊聊，怎么跟这些噪声打交道。

3.1 高斯噪声模型——最常用的噪声假设

为什么几乎所有传感器模型都假设噪声是高斯分布？说白了，就是中心极限定理在撑腰。多个独立随机因素叠加，最终都会趋向正态分布。

高斯噪声的数学表达很简单：

# 一维高斯噪声
import numpy as np
import matplotlib.pyplot as plt

# 生成1000个高斯噪声样本
mu = 0.0      # 均值
sigma = 0.1   # 标准差
noise = np.random.normal(mu, sigma, 1000)

# 看看分布长什么样
plt.hist(noise, bins=30, density=True)
plt.title('高斯噪声分布')
plt.show()

嗯，这里要注意：高斯噪声有两个关键参数——均值 μ 和标准差 σ。均值代表系统偏差，标准差代表噪声强度。

核心要点：

均值 μ = 0：说明传感器没有系统性偏差
标准差 σ：决定了噪声的波动幅度
68-95-99.7 法则：±1σ 内占68%，±2σ 内占95%

我在项目中遇到过一件事：有个激光雷达，厂家标称精度 ±2cm。我们直接用了，结果跟踪误差一直下不去。后来一测，实际噪声标准差是 3.5cm。你想想看，这差了快一倍。所以拿到传感器，第一件事就是实测噪声参数。

3.2 卡尔曼滤波基础——从噪声中提取真相

卡尔曼滤波，说白了就是一个「预测+修正」的循环。我刚开始学的时候觉得它很玄乎，其实核心就五个公式。

先看预测阶段：

# 卡尔曼滤波预测步骤
def predict(x, P, F, Q):
    """
    x: 状态估计
    P: 协方差矩阵
    F: 状态转移矩阵
    Q: 过程噪声协方差
    """
    x_pred = F @ x                    # 状态预测
    P_pred = F @ P @ F.T + Q          # 协方差预测
    return x_pred, P_pred

再看更新阶段：

# 卡尔曼滤波更新步骤
def update(x_pred, P_pred, z, H, R):
    """
    z: 测量值
    H: 观测矩阵
    R: 测量噪声协方差
    """
    y = z - H @ x_pred                # 残差计算
    S = H @ P_pred @ H.T + R          # 残差协方差
    K = P_pred @ H.T @ np.linalg.inv(S)  # 卡尔曼增益
    x = x_pred + K @ y                # 状态更新
    P = (np.eye(len(x)) - K @ H) @ P_pred  # 协方差更新
    return x, P

我的经验：卡尔曼增益 K 是灵魂。K 大，说明更相信测量；K 小，说明更相信预测。实际调参时，我一般先固定 R（测量噪声），再调 Q（过程噪声）。

为什么会这样？因为 R 可以从传感器标定中得到，而 Q 更多是凭经验。我曾经在一个无人机项目中，Q 设得太小，结果滤波器反应迟钝，目标跟丢了。后来把 Q 放大两倍，效果立竿见影。

3.3 传感器标定——消除系统性偏差

传感器标定，说白了就是给传感器「校零」。我见过太多人跳过这步，直接拿原始数据用，结果可想而知。

标定的核心流程：

静态标定：传感器固定不动，采集大量数据
偏差计算：计算均值，这就是零偏
噪声分析：计算标准差，这就是噪声水平
动态标定：让传感器运动，测试响应特性

来看一个实际的标定代码：

# 传感器标定示例
def calibrate_sensor(raw_data, true_value):
    """
    raw_data: 传感器原始读数
    true_value: 真实值（由高精度设备提供）
    """
    # 计算偏差
    bias = np.mean(raw_data - true_value)
    
    # 计算噪声标准差
    noise_std = np.std(raw_data - true_value)
    
    # 标定后的数据
    calibrated = raw_data - bias
    
    return calibrated, bias, noise_std

# 使用示例
raw_measurements = np.array([1.02, 1.05, 0.98, 1.01, 1.03])
true_position = 1.00

calibrated, bias, noise_std = calibrate_sensor(raw_measurements, true_position)
print(f"偏差: {bias:.3f}")
print(f"噪声标准差: {noise_std:.3f}")

避坑指南：我曾经犯过一个低级错误——标定时用的参考设备精度不够。结果标定完，误差反而更大了。记住：参考设备的精度至少要比被标定传感器高一个数量级。

3.4 知识体系总览

下面这张图，是我自己总结的传感器噪声处理框架。你把它记在心里，做目标跟踪时就不会乱：

这张图把三个模块串起来了。高斯噪声模型是理论基础，卡尔曼滤波是核心算法，传感器标定是前置条件。三者缺一不可。

本章小结：

高斯噪声模型：用 μ 和 σ 描述传感器噪声特性
卡尔曼滤波：预测+修正的迭代过程，核心是卡尔曼增益
传感器标定：消除系统性偏差，获取真实噪声参数

说实话，这三个知识点看起来各自独立，但在实际项目中是环环相扣的。标定做不好，卡尔曼滤波的参数就设不准；噪声模型搞错了，滤波器性能就上不去。我建议你动手跑一遍上面的代码，把每个参数都调一调，感受一下它们之间的相互作用。

可可精品资料库

📚 课程目录

3、传感器模型与噪声：高斯噪声模型、卡尔曼滤波基础、传感器标定

3.1 高斯噪声模型——最常用的噪声假设

3.2 卡尔曼滤波基础——从噪声中提取真相

3.3 传感器标定——消除系统性偏差

3.4 知识体系总览