卡尔曼滤波器模拟器

GPS导航与位置追踪：卫星信号因多径效应和电离层影响而含有噪声。单纯GPS位置信息精度仅有数米级。将卡尔曼滤波器与车速传感器、陀螺仪等信息融合（结合车辆运动模型），可实现亚米级精度的平滑位置推估。

飞机与航天器姿态和轨道控制：陀螺仪有漂移误差，加速度计有瞬态噪声，星敏感器有冲击干扰。融合多种传感器信息（传感器融合），参考机体运动模型，用卡尔曼滤波器得到最优的姿态与位置估计。这是自动导航稳定的基础。

机器人自主定位（SLAM）：移动机器人用内部的轮式测距法计算位置（累积误差），同时用激光雷达或摄像头观测环境。卡尔曼滤波器融合这两种信息，在地图内长时间保持高精度的自身位置估计。

经济与金融数据分析：股票价格、汇率等时间序列含有随机波动。用卡尔曼滤波器从市场观测值中提取"趋势"和"周期性"等潜在状态。平衡观测值变动（R）与经济学模型预测的不确定性（Q），推估潜在的真实价值。

首先要明确，"卡尔曼滤波器不是万能魔法"。最常见的误解是认为任何数据扔进去都会自动处理好。这个模拟器用的"匀速直线运动模型"只是示例而已。实际应用中，你必须自己设计符合物理规律的"状态转移模型"和"观测模型"。比如要估计弹簧-质量-阻尼系统的振动，状态量要包含速度和加速度，模型要基于运动方程。

其次，参数Q和R的确定方法。在模拟器中可以用滑块随意调节，但实际问题中呢？这很困难。R（观测噪声）比较好决定——通常可以查看传感器数据表，如果标注"误差±几毫米"，就能算出方差。难的是Q（过程噪声）。"模型与现实的偏差"怎么量化？一个实用方法是估算最坏情况下的模型误差。例如，用匀速模型估计汽车位置，假设车辆最大加速度可能达到0.3G（约3 m/s²），就以这个加速度的方差作为Q的参考。最初可设大一些，然后观察滤波器响应特性逐步调优。

最后是发散（Divergence）问题。这是一个陷阱：滤波器的误差协方差P计算时变得过小，导致它完全不信任新的观测值，推估值偏离真值后再也追不上。原因通常是模型误差或Q设得不当。在模拟器里可以把R设得极小，Q接近零，然后让真实轨迹（红线）突然弯曲，观察推估值（绿线）是否无法跟上，这就是发散现象。实现中需要加"协方差下限限制"等防护措施。