第3章：线性系统模型——状态空间模型、状态转移矩阵、观测矩阵、过程噪声与观测噪声

做目标跟踪这些年，我越来越觉得一个道理：你建的模型有多贴近真实物理世界，你的跟踪效果就有多稳。说白了，状态估计不是凭空猜，而是用数学模型去描述目标怎么动、传感器怎么看。

这一章，咱们就聊聊线性系统模型。这是整个状态估计的基石。你想想看，卡尔曼滤波为什么能工作？就是因为它假设系统是线性的。虽然现实世界没那么多完美线性，但搞懂这个基础，后面学非线性滤波才不慌。

先问个问题：什么叫“状态”？

我个人习惯这么理解——状态就是能完整描述系统当前情况的最小变量集合。比如跟踪一辆车，它的位置、速度就是状态。有了这两个量，你就能预测它下一秒在哪。

状态空间模型长这样：

x(k) = A·x(k-1) + B·u(k-1) + w(k-1)   // 状态方程
z(k) = H·x(k) + v(k)                     // 观测方程

这里：

我在项目中遇到过不少新手，上来就写代码，结果状态向量里该放什么、不该放什么完全没想清楚。嗯，这里要提醒你：状态变量的选择直接影响滤波器的收敛速度和精度。

小技巧：选状态变量时，遵循“最小完备”原则。能描述运动就行，别塞太多冗余量。比如跟踪匀速运动目标，位置+速度就够了，加速度加进去反而会让协方差矩阵病态。

状态转移矩阵A，说白了就是描述状态如何随时间演化的数学工具。它把上一时刻的状态映射到当前时刻。

举个最简单的例子——匀速运动模型：

位置：p(k) = p(k-1) + v(k-1)·Δt
速度：v(k) = v(k-1)

写成矩阵形式：

[p(k)]   = [1  Δt] [p(k-1)]   + 噪声
[v(k)]     [0  1 ] [v(k-1)]

所以状态转移矩阵就是：

A = [[1, Δt],
     [0,  1]]

你看，就这么简单。但实际项目中，A的推导往往没那么直接。我记得有一次做雷达目标跟踪，目标做匀加速运动，我一开始用了匀速模型，结果跟踪误差越来越大。后来改成匀加速模型，A变成3x3矩阵，效果立马好了。

  核心要点：状态转移矩阵必须反映目标的真实运动规律。模型选错了，卡尔曼滤波再调参也没用。

观测矩阵H，描述的是状态空间到观测空间的映射关系。说白了，就是告诉你：目标在真实世界里的状态，到了传感器眼里变成了什么样子。

举个例子：

我建议你记住一点：H矩阵的维度由观测量的个数决定。比如你只有位置观测，H就是1×n的行向量；如果你同时观测位置和速度，H就是2×n的矩阵。

曾经有个项目，同事把观测矩阵写错了，导致滤波器发散。排查了两天才发现——H矩阵里把速度观测写成了位置观测。这种低级错误，其实很常见。

注意：观测矩阵必须与传感器的物理特性一致。雷达测的是距离-多普勒，摄像头测的是像素坐标，别搞混了。

这两个噪声，是状态估计里最容易被忽视、却又最关键的部分。

过程噪声 w(k)：描述模型的不确定性。你用的模型再完美，也不可能100%描述真实运动。比如风阻、路面摩擦、驾驶员随机操作……这些都会引入不确定性。

观测噪声 v(k)：描述传感器测量误差。任何传感器都有噪声，雷达有热噪声，摄像头有量化误差，IMU有漂移。

在卡尔曼滤波里，这两个噪声用协方差矩阵表示：

Q和R的取值，直接影响滤波器的性能。Q设太大，滤波器会过于相信观测，导致估计值抖动；Q设太小，滤波器反应迟钝，跟不上目标机动。

我曾经踩过一个坑：做无人机跟踪时，把Q设得太小，结果无人机突然转弯，滤波器完全跟不上，目标直接丢了。后来我把Q调大了一些，虽然稳态误差大了点，但至少不会跟丢。

经验之谈：Q和R的调参，没有万能公式。我的做法是：先用理论值初始化，然后跑仿真数据，观察残差序列。如果残差有偏，说明Q偏小；如果残差方差太大，说明R偏小。

下面这张图，帮你把本章的核心逻辑串起来：

这一章的内容，说白了就是三件事：

搞懂这些，你就掌握了线性卡尔曼滤波的骨架。后面学扩展卡尔曼、无迹卡尔曼，都是在这个骨架上做文章。

嗯，这一章就到这。记住：模型是基础，噪声是关键。模型选对了，噪声调好了，滤波器就成功了一大半。

  一句话总结：状态空间模型是骨架，转移矩阵是引擎，观测矩阵是眼睛，噪声是灵魂。四者缺一不可。

可可精品资料库