新息 $e_{k} = y_{k} - C\hat x_{k|k-1}$ 是实际测量与预测测量之差，代表当前测量中无法由过去信息解释的"纯新"部分。
正式进入 Kalman Filter —— 系统模型、基本假设、估计符号与递归结构全景
掌握Kalman Filter的系统模型、基本假设与符号体系
建议先完成前面的课程，或具备线性代数与概率论基础。
🎯 本讲目标（第一部分）
写出标准线性系统模型、理解 KF 的基本假设、看懂估计符号（预测/更新/误差/协方差）、理解递归结构的两个环节。
🔑 核心思想
Kalman Filter 的"舞台搭建"：先把系统模型和假设写清楚，再定义记号，最后拆成 time update + measurement update 两个递归环节。
真实状态 $x_{k}$ 看不见或看不准。我们只有带噪声测量：
同时我们知道系统大致如何演化：
🎯 目标
用过去和当前测量，递归估计当前状态 —— 每来一个新测量只需常数时间，不依赖历史长度。
若有控制输入：
$$ x_{k+1} = A x_{k} + B u_{k} + w_{k} $$其中：
课堂板书列出的核心假设：
$x_{0}, w_{k}, v_{k}$ 彼此不相关
还要求：
这是一个很好的问题。课堂中同学提问：为什么前面很多地方是"半正定"，到了测量噪声协方差 $R$ 这里却要求正定？
🎯 核心观点
$R$ 对应测量噪声。如果某个方向上的测量噪声等于零，那等于说你在那个方向上拿到了完美测量（perfect measurement）。这在真实世界里几乎不成立，因为测量设备本身是人造装置，天然带误差。
所以对 measurement noise 来说，要求 $R$ 正定，体现的是一种"现实测量不可能完美"的建模立场。
过程噪声可以半正定的原因：
所以对 process noise 来说，允许某些方向上的噪声"没有被建模进去"是合理的。
📌 要点
Kalman Filter 里的矩阵条件不是死规定，而是和物理意义、建模范围直接绑定的。
在线性系统里，如果初始条件是高斯的、噪声也是高斯的，那么经过线性变换以后，状态仍然保持高斯。
这意味着：
这其实就是 Kalman Filter 可计算、可实现的关键基础之一。
很多实际噪声确实可以近似看成高斯：
当然，如果系统强非线性或噪声明显偏离高斯，就需要换工具（如 EKF、UKF、粒子滤波）。
这是本讲最容易绕晕但必须记住的部分。关键在于理解下标含义：
💡 记忆法
左边的下标 = "当前要估计哪个时刻的状态"；右边的下标 = "你手里拿到了哪个时刻为止的 measurement"。只要这个逻辑不乱，后面的递推关系就不会迷路。
零均值假设下：
🚀 为什么初始化重要
任何算法都必须给出 initialization，不然根本跑不起来。在任何测量到来前，对初始状态的最佳估计就是均值 0，不确定性就是 $\Pi_{0}$。
整个 Kalman Filter 被拆成两部分：
没有新 measurement 时，只能根据系统时间推进做 prediction。
$$ \hat x_{k+1|k} = A \hat x_{k|k} $$ $$ P_{k+1|k} = A P_{k|k} A^T + Q $$基于模型做一步预测
新 measurement $y_{k}$ 到来时，用它修正 prediction。
$$ \hat x_{k|k} = \hat x_{k|k-1} + K_{k} e_{k} $$ $$ P_{k|k} = P_{k|k-1} - K_{k} R_{e,k} K_{k}^T $$用新息修正估计
Kalman Filter 的节奏是：
这种结构让它天然适合在线系统——你不需要每来一个新 measurement 就把历史全部重算一遍。
回顾上一讲的出发点：
🧠 关键认识
估计本质上可以看成"把要估计的变量投影到某个信息空间上"。这个空间如果换成经过正交化之后得到的空间，空间本身没变，所以得到的 estimate 也不变。但新的表示方式会让递归计算成为可能。
新息 $e_{k}$ 表示什么？
新息 $e_{k} = y_{k} - C\hat x_{k|k-1}$ 是实际测量与预测测量之差，代表当前测量中无法由过去信息解释的"纯新"部分。
为什么 $R$ 要正定而 $Q$ 可以半正定？
$R>0$ 意味着每个测量方向都有噪声——现实测量不可能完美。$Q\ge 0$ 允许某些状态方向不被过程噪声激励——那些方向可能被物理约束或你不关心。
Kalman Filter 为什么能递归运行，而不是每步重新计算？
施老师大课堂 · 研讨会系列 KF L14 (1/2) · Kalman Filter 模型、假设与符号体系