4. 非线性系统与滤波挑战
扩展卡尔曼滤波（EKF）之所以被提出，根本原因在于真实工程系统几乎都不是线性的。标准卡尔曼滤波建立在“状态转移与量测均为线性、噪声为高斯”的假设之上，一旦系统出现非线性，高斯分布经过非线性映射后不再保持高斯形态，卡尔曼滤波的最优性前提被破坏。本节聚焦三个核心问题：非线性从哪里来、非线性变换如何扭曲高斯分布、线性化误差如何导致滤波发散。
一、非线性的三大来源
在工程实践中，非线性并非抽象概念，而是具体地出现在系统的物理规律、坐标系表达和传感器模型中。可以归纳为三类来源：
- 运动学非线性：如车辆转弯时的航向角与位置关系、机器人差速运动模型、飞行器姿态动力学，状态量之间通过三角函数、乘积项耦合。
- 量测非线性：如雷达测量斜距、方位角、俯仰角，而目标状态是笛卡尔坐标；GPS 伪距与位置之间是欧氏距离关系；视觉相机成像模型涉及透视投影除法。
- 坐标与参数非线性：极坐标与直角坐标互换、四元数与欧拉角转换、传感器安装偏差与杆臂补偿，都会引入非线性映射。
这些非线性使得状态预测和量测更新无法用矩阵乘法直接完成，必须借助函数 f(x) 与 h(x) 描述。
二、非线性变换对高斯分布的影响
高斯分布经过线性变换后仍是高斯分布，这是卡尔曼滤波能够用均值和协方差完整描述状态的根基。但经过非线性变换后，这一性质不再成立。以极坐标到直角坐标的转换为例：
x = r * cos(θ)
y = r * sin(θ)若 r 与 θ 均为高斯分布，则 x、y 的分布会出现弯曲、偏斜甚至多峰。均值不再位于原高斯中心映射点，协方差也不再能完整描述分布形状。EKF 的做法是“强行用高斯近似”，即用一阶泰勒展开把非线性函数局部线性化，再用雅可比矩阵传播均值和协方差。这种近似在非线性较弱、状态不确定度较小时尚可接受，但在强非线性或大初始误差下会严重失真。
三、线性化误差与滤波发散
EKF 的核心操作是对 f(x) 和 h(x) 在当前估计点做一阶泰勒展开，得到雅可比矩阵 F 与 H：
F_k = ∂f/∂x | x = x̂_k
H_k = ∂h/∂x | x = x̂_k⁻线性化误差主要来自三方面：一是高阶项被直接丢弃，当状态偏离展开点较远时误差急剧增大；二是展开点本身是估计值，估计越不准，线性化越偏离真实；三是强非线性函数（如大角度三角函数、除法、平方）在局部近似效果差。误差累积后，会出现协方差被低估、新息异常、增益失配，最终表现为滤波发散：估计值逐渐偏离真实轨迹，协方差却越来越小，滤波器“自信地犯错”。
四、工程案例：雷达跟踪中的非线性挑战
以二维雷达跟踪为例，状态为 [x, y, vx, vy]，量测为斜距 r 与方位角 θ。量测函数为：
r = sqrt(x² + y²)
θ = atan2(y, x)当目标距离雷达较远、方位角变化平缓时，EKF 线性化误差较小，跟踪稳定；但当目标近距离穿越、方位角快速变化时，atan2 的强非线性使雅可比矩阵剧烈变化，协方差传播失真，容易出现跟踪丢失。工程上常采用增大过程噪声、限制更新步长、改用无迹卡尔曼滤波（UKF）或粒子滤波来缓解。
| 挑战类型 | 产生原因 | 典型表现 | 缓解手段 |
|---|---|---|---|
| 运动学非线性 | 三角函数、乘积耦合 | 预测协方差失真 | UKF、IEKF、增大Q |
| 量测非线性 | 极坐标/透视投影 | 新息异常、增益失配 | 迭代更新、转换量测 |
| 线性化误差 | 高阶项丢弃、展开点不准 | 协方差低估 | 二阶EKF、UKF |
| 滤波发散 | 误差累积、模型失配 | 估计偏离、P失去正定 | 自适应Q、故障检测、重置 |
五、误区与复盘
- 误区一：认为 EKF 可以处理任意非线性。实际上 EKF 只在弱非线性、小不确定度下近似有效。
- 误区二：忽略雅可比矩阵的实时计算。F、H 必须随状态更新，固定雅可比会引入系统性偏差。
- 误区三：发散后只调大 R。应优先检查线性化点与模型结构，而非盲目增大量测噪声。
- 复盘要点：记录新息序列、协方差迹、估计误差，定位是模型非线性、线性化误差还是数值问题。
理解非线性来源、非线性变换对高斯分布的影响以及线性化误差的传播机制，是掌握 EKF 工程边界的关键。只有清楚 EKF 在哪些条件下会失效，才能在真实系统中合理选择滤波方案并设计有效的监控与保护策略。