因为 $P_{k|k}$ 的更新只依赖于系统参数 $(A, C, Q, R)$ 和上一步的 $P_{k-1|k-1}$，不包含任何测量值。测量值只影响状态估计 $\hat x_{k|k}$ 的轨迹，不影响不确定性。
Time Update 的投影法严格证明、完整的预测-估计递归循环、以及误差协方差 $P_{k|k}$ 的收敛性分析
理解时间更新的投影法证明与协方差收敛性分析
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
完成 KF 时间更新（Time Update）的投影法严格推导，建立完整的预测-估计递归循环，并分析误差协方差 $P_{k|k}$ 的收敛条件。
🔑 核心思想
时间更新是在没有新测量的情况下，用系统模型把状态"推进一步"。均值通过 $A$ 传播，不确定性通过 $A$ 传播后还要加上过程噪声 $Q$。
前两讲我们从几何投影角度完成了测量更新的五个等式证明。现在回顾完整的 KF 递归方程组：
本讲的任务是证明 Time Update 的两个等式（⑥ - ⑦），并分析其重要性质。
定理：给定 $\hat x_{k|k}$ 和 $P_{k|k}$，时间更新为：
预测均值是 $x_{k+1}$ 在当前测量空间 $\mathcal{L}_k$ 上的投影（条件期望）：
其中 $\text{proj}\{w_{k} \mid \mathcal{L}_k\} = 0$ 因为 $w_{k}$ 与所有历史测量不相关——$w_{k}$ 只影响未来的状态，不影响当前及过去的测量。
首先计算预测误差：
然后计算内积：
交叉项为零是因为 $w_{k} \perp \mathcal{L}_k$，而 $\tilde x_{k|k} \in \mathcal{L}_k$。
💡 直观理解
时间更新就是在没有新测量的情况下，用系统模型"推进一步"：
① 均值通过 $A$ 线性传播
② 不确定性通过 $A$ 传播后，还要加上过程噪声 $Q$——因为有新的随机扰动进入了系统。
时间更新的几何意义很清晰：
$\hat x_{k+1|k} = A \hat x_{k|k}$
状态空间中的线性映射：已知 $x_{k}$ 在 $\mathcal{L}_k$ 上的投影，通过 $A$ 变换得到 $x_{k+1}$ 在同一空间上的投影。
$P_{k+1|k} = A P_{k|k} A' + Q$
椭球通过 $A$ 进行线性变换后，再叠加一个 $Q$ 椭球（因为 $w_{k}$ 的加入）。
🔭 注意
时间更新后，不确定性是增大的：$P_{k+1|k} \ge P_{k|k}$（在矩阵半正定意义下）。因为在没有新测量的时间段里，过程噪声不断累积，我们的认知在衰减。等到下一次测量到来时，测量更新会重新降低不确定性。
现在我们可以把完整的 KF 递归写成紧凑形式。给定 $\hat x_{k-1|k-1}$ 和 $P_{k-1|k-1}$：
🔄 递归节奏
预测 → 测量到来 → 更新 → 再预测 → 这是一个永不停息的循环。每来一个新的测量，只需要 O(n³) 的矩阵运算（n 为状态维度）。对于许多实际系统，这可以做到实时运行。
观察 KF 的递归等式，可以发现一个重要性质：
特别地，$P_{k|k}$ 和 $K_{k}$ 完全不依赖测量值 $y_{k}$！它们只由系统参数 $(A, C, Q, R)$ 和初始协方差 $\Pi_{0}$ 决定。
预先计算所有 $P_{k|k}$ 和 $K_{k}$，存成表格。只需要矩阵运算，不涉及传感器数据。
查表获得 $K_{k}$，然后只做简单的向量运算更新状态估计。计算量从 O(n³) 降到 O(n²)。
这在嵌入式系统、卫星导航等计算资源有限的场景中是巨大的工程优势。
📊 模拟实验显示：$P_{k|k}$ 随 $k$ 增加而趋于一个稳态值 $\bar P$
随着时间 $k \to \infty$，$P_{k|k}$ 是否会收敛到一个稳态值？答案是肯定的，但需要满足以下两个条件：
系统的所有模态都能通过测量被观测到。如果某个模态不可观，它的不确定性永远不会降低。
过程噪声能激励系统的所有模态。如果某个模态不受噪声驱动，它的不确定性就是"冻结"的。
当 $P_{k|k}$ 收敛到 $\bar P$ 之后，Kalman 增益也收敛到一个常数矩阵 $K^*$。此时估计器退化为一个简单的线性时不变系统：
🎯 重要含义
收敛意味着我们不仅不需要在线计算增益，甚至不需要查表——只需要记住一个固定的增益矩阵 $K^*$。这大幅降低了实现复杂度，是 KF 工程化部署的关键。
这两个概念是控制理论的基础，让我们直观理解：
你能否通过测量 $y_{k}$ 推断出状态 $x_{k}$ 的每一个分量？
例子：如果 $C$ 的第 $i$ 列全为零，那么 $x_{k}$ 的第 $i$ 个分量永远无法被观测到——即使有再多的测量也无法降低其不确定性。
过程噪声 $w_{k}$ 能否激励状态的每一个分量？
例子：如果 $Q$ 的某个对角元为零，对应的状态分量不受噪声驱动——它的不确定性变化仅由 $A$ 传播决定。
💡 对比记忆
可观性 + 能控性 = 系统每个模态既"看得见"又"被激励"。满足这两个条件时，KF 的不确定性最终会趋于一个稳态值，估计误差的方差不会再变化。
为什么 KF 的协方差 $P_{k|k}$ 和增益 $K_{k}$ 与测量值 $y_{k}$ 无关？
因为 $P_{k|k}$ 的更新只依赖于系统参数 $(A, C, Q, R)$ 和上一步的 $P_{k-1|k-1}$，不包含任何测量值。测量值只影响状态估计 $\hat x_{k|k}$ 的轨迹，不影响不确定性。
为什么时间更新后协方差 $P_{k+1|k}$ 会比 $P_{k|k}$ 更大？
因为时间更新引入了过程噪声 $w_{k}$ 带来的不确定性 $Q$。在没有新测量来修正之前，系统的不确定性只会增加不会减少。等到测量更新时，新信息才会降低不确定性。
$P_{k|k}$ 收敛的条件是什么？
施老师大课堂 · 研讨会系列 KF L16 · 时间更新：投影法证明与收敛性