鲁道夫卡尔曼算法通过动态权重融合实现最优速度估计
薯条的量化日记
卡尔曼滤波通过引入卡尔曼增益动态分配预测与测量权重，以递归方式连续更新最优估计并最小化方差，从而在不考虑过程噪声时使预测方差随时间推移不断收敛。
AI-assisted summary of 三分钟速通！卡尔曼滤波（Kalman Filter） — original source. Check the original for full context.
Source published:
Detailed notes
## Background 该内容由YouTube频道“薯条的量化日记”于2025年5月30日发布，视频时长为3分钟。页面简介中提供了深入研究卡尔曼滤波的推荐教程网站链接（www.kalmanfilter.net）。
## TL;DR 本视频旨在用三分钟快速通关由鲁道夫·卡尔曼于1960年提出的经典卡尔曼滤波算法。博主通过“一维世界匀速运动飞机”的测速案例，直观阐述了结合雷达测量与速度预估的“兼听则明”核心逻辑。通过建立数学模型、对权重求导以最小化方差，推导出了决定测量值信任度的“卡尔曼增益（K）”。最终，视频总结了该算法通过“预测—测量—更新”的递归循环来最小化估计误差方差并实现方差收敛的核心流程。
## Atmosphere & style 视频开场以一句接地气的“各位股东们”拉近了与观众的距离，整体基调充满活力且高效干练。叙述风格直白精炼、充满逻辑性，试图在极短的时间内将枯燥的数学推导与直观的物理案例（如飞机测速）完美融合。观众在观看时能感受到一种从复杂的公式推导迅速走向“原来如此”的顿悟感，既有学术的严谨，又兼具短视频时代的快节奏与实用性。
## Key takeaways - [00:00](https://www.youtube.com/watch?v=E4ss0PdMgTs&t=0s) 卡尔曼滤波由数学家鲁道夫·卡尔曼于1960年提出，最初用于解决航天领域的导航问题。 - [00:00](https://www.youtube.com/watch?v=E4ss0PdMgTs&t=0s) 卡尔曼滤波的核心逻辑在于“兼听则明”，即在存在误差的情况下，科学地结合“基于上一时刻的预估”与“雷达测量”这两种数据来源。 - [00:32](https://www.youtube.com/watch?v=E4ss0PdMgTs&t=32s) 该算法通过设定预测权重和测量权重来量化两者的结合度，并推导出当前时刻的估计表达式及其方差。 - [00:32](https://www.youtube.com/watch?v=E4ss0PdMgTs&t=32s) 为了使估计的方差尽可能小，通过对权重求导分析寻找最小值，求解出的最优权重被定义为“卡尔曼增益（Kalman Gain, $K$）”。 - [00:32](https://www.youtube.com/watch?v=E4ss0PdMgTs&t=32s) 卡尔曼增益 $K$ 的大小直接决定了系统对测量值的信任程度，$K$ 越大，测量值的权重就越高。 - [00:32](https://www.youtube.com/watch?v=E4ss0PdMgTs&t=32s) 从数学上可以证明，通过卡尔曼增益融合后的新估计方差，小于原本的预测方差和测量方差。 - [00:32](https://www.youtube.com/watch?v=E4ss0PdMgTs&t=32s) 在不考虑过程噪声的情况下，由于 $(1-K)$ 的值在 0 到 1 之间，预测方差会随着时间推移不断收敛。 - [02:18](https://www.youtube.com/watch?v=E4ss0PdMgTs&t=138s) 卡尔曼滤波的完整执行逻辑是一个递归过程，包含初始设定以及随后的“预测—测量—更新”循环。 - [02:18](https://www.youtube.com/watch?v=E4ss0PdMgTs&t=138s) 在概率分布上，该算法将两个方差较大的分布综合为一个方差更小的估计值，从而在时间轴上形成一条比原始数据更平稳的滤波轨迹。 - [02:18](https://www.youtube.com/watch?v=E4ss0PdMgTs&t=138s) 卡尔曼滤波的核心思想是融合预测和测量，以递归方式连续更新最优估计，并最小化估计误差的方差。 - [02:18](https://www.youtube.com/watch?v=E4ss0PdMgTs&t=138s) 虽然实际工程中的多维场景需要利用矩阵进行描述和计算，但其底层的核心逻辑与一维场景并无改变。
## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=E4ss0PdMgTs&t=0s) 卡尔曼滤波的核心背景与直观逻辑 视频开场以“各位股东们”打招呼，旨在用三分钟速通数学家鲁道夫·卡尔曼（Rudolf Kalman）于1960年提出的经典算法——卡尔曼滤波（Kalman Filter）。该算法最初是为了解决航天领域的导航问题而生。博主通过一个“一维世界中匀速运动飞机”的测速案例，直观地阐述了该算法的核心逻辑：当你有两种测速方式——雷达测量（存在技术限制误差）和基于上一时刻的速度预估（存在风阻等环境误差）时，如何科学地将两者结合？这正如成语所言“兼听则明”，卡尔曼滤波正是为了回答如何分配这两者权重、权重如何动态变化等关键问题。
### [00:32](https://www.youtube.com/watch?v=E4ss0PdMgTs&t=32s) 数学推导：权重的确定与卡尔曼增益 为了量化这种“兼听”，博主构建了数学模型。设定预测值为上一时刻的估计，预测方差为 $P$，过程噪声方差为 $Q$；测量速度为 $z$，测量方差为 $R$。通过设定预测和测量的权重分别为 $W_1$ 和 $W_2$，博主推导出对当前时刻速度的估计表达式及其方差。为了使估计的方差尽可能小，博主对权重进行了求导分析： * 当二阶导数为正、一阶导数单调递增时，方差存在最小值。 * 求解出的最优权重 $W_1$ 被正式定义为“卡尔曼增益（Kalman Gain, $K$）”。
代入卡尔曼增益后发现，该值的大小直接决定了系统对测量值的信任程度——$K$ 越大，测量值的权重越高。通过进一步展开估计方差的公式，可以从数学上证明新的估计方差小于预测方差和测量方差，从而实现了“兼听则明，偏听则暗”。此外，由于 $(1-K)$ 的值在 0 到 1 之间，在不考虑过程噪声的情况下，预测方差会随时间推移不断收敛。
### [02:18](https://www.youtube.com/watch?v=E4ss0PdMgTs&t=138s) 递归算法流程与核心总结 卡尔曼滤波的完整执行逻辑被概括为递归过程：首先进行 0 时刻的初始预测与方差设定，随后根据公式不断进行“预测—测量—更新”的循环。从概率分布图上看，系统是将两个方差较大的分布综合为一个方差更小的估计值。当引入时间轴时，连接各个时刻的估计点，便能得到一条比原始数据更平稳的轨迹，这就是卡尔曼滤波的滤波效果。
博主最后总结道，卡尔曼滤波的核心思想在于：**“融合预测和测量，并以递归的方式连续更新最优估计，同时最小化估计误差的方差。”** 虽然实际工程中多维场景需要利用矩阵进行描述和计算，但其底层逻辑并未改变。
* **核心定义**：卡尔曼增益 $K$ 决定了对测量结果的信任度。 * **优化目标**：通过测量结果不断优化预测方差，使其在递归中实现收敛。 * **学习资源**：博主推荐了教程网站 `www.kalmanfilter.net` 供深入研究。
## Notable quotes > [00:00](https://www.youtube.com/watch?v=E4ss0PdMgTs&t=0s) 兼听则明 — 薯条的量化日记
> [00:32](https://www.youtube.com/watch?v=E4ss0PdMgTs&t=32s) 兼听则明，偏听则暗 — 薯条的量化日记
> [02:18](https://www.youtube.com/watch?v=E4ss0PdMgTs&t=138s) 融合预测和测量，并以递归的方式连续更新最优估计，同时最小化估计误差的方差。 — 薯条的量化日记
## Mentioned 鲁道夫·卡尔曼, Rudolf Kalman, 卡尔曼滤波, Kalman Filter, 卡尔曼增益, Kalman Gain, www.kalmanfilter.net, YouTube, 薯条的量化日记
[Source](https://www.youtube.com/watch?v=E4ss0PdMgTs)