1. 课程导入

在状态估计与多源信息融合领域，卡尔曼滤波长期占据核心地位。然而，经典卡尔曼滤波建立在线性系统与高斯噪声假设之上，当系统呈现明显非线性时，扩展卡尔曼滤波（EKF）虽然通过一阶泰勒展开实现局部线性化，却会引入雅可比矩阵推导复杂、强非线性下精度退化、甚至滤波发散等问题。无迹卡尔曼滤波（Unscented Kalman Filter，UKF）以“近似概率分布比近似非线性函数更容易”为核心思想，通过确定性采样点（Sigma点）传播均值和协方差，避免了雅可比矩阵计算，在保持相近计算量的同时显著提升非线性估计精度。本课程围绕“无迹卡尔曼滤波融合设计”展开，共30章，从原理推导、算法实现到多传感器融合工程落地逐步深入。

一、学习目标

完成本课程后，学习者应能够达到以下目标：

• 原理层面：理解UT变换（Unscented Transform）的数学机理，掌握Sigma点选取、权重计算与均值/协方差重构过程，能说明UKF为何能达到二阶以上近似精度。
• 算法层面：独立推导并实现标准UKF的预测—更新递推流程，理解与EKF、粒子滤波（PF）在精度、计算量、鲁棒性上的差异。
• 融合层面：掌握UKF在多传感器融合中的状态增广、量测异步处理、时间同步与故障容错设计方法。
• 工程层面：能够针对IMU/GNSS组合导航、目标跟踪、电池SOC估计等场景完成参数整定、噪声协方差调优与滤波发散排查。

二、核心概念

UKF的理论基石是UT变换。其基本流程为：给定n维状态均值x̄与协方差P，构造2n+1个Sigma点，使其样本均值与样本协方差精确等于原分布；将这些点逐一通过非线性函数传播，再对传播后的点集加权求均值与协方差。权重分为均值权重Wm与协方差权重Wc，其中尺度参数α、β、κ共同决定采样点散布范围与高阶矩匹配程度。

Sigma点构造（n维状态）：
  λ = α²(n + κ) − n
  X₀ = x̄
  Xᵢ = x̄ + (√((n+λ)P))ᵢ ,  i = 1…n
  Xᵢ₊ₙ = x̄ − (√((n+λ)P))ᵢ , i = 1…n

权重：
  Wm₀ = λ/(n+λ)
  Wc₀ = λ/(n+λ) + (1 − α² + β)
  Wmᵢ = Wcᵢ = 1/(2(n+λ)) , i = 1…2n

与EKF相比，UKF不需要计算雅可比矩阵，非线性函数以“黑箱”方式被调用；与PF相比，UKF不依赖大量随机粒子，计算量可控且实时性更好。因此UKF常被视为非线性高斯近似下的“性价比最优”方案。

三、整体框架

本课程的整体知识框架可分为四层：数学基础层（概率论、矩阵分解、Cholesky分解）、算法核心层（UT变换、UKF递推、平方根UKF、自适应UKF）、融合设计层（状态增广、量测融合、异步多速率、联邦滤波）、工程应用层（组合导航、目标跟踪、状态监测）。下图展示了从Sigma点采样到多源融合输出的完整信号链与数据流关系。

四、典型应用场景

UKF的工程价值在非线性强、量测异构、实时性要求高的场景中尤为突出。下表列出本课程将重点覆盖的典型场景及其关键挑战。

五、常见误区与学习建议