优势：计算量小（O(n²) 而非 O(n³)）、存储开销小、实现简单。劣势：在初始阶段不是最优的（因为增益固定不能适应不确定性较大的初期）；系统参数变化时需要重新求解 ARE。
从收敛到固定增益估计器、信息形式的 Kalman Filter 推导、以及多传感器即插即用融合
掌握固定增益估计器与信息形式的传感器融合方法
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
在理解 $P_{k|k}$ 收敛性的基础上，推导固定增益估计器、学习信息形式的 KF 表示法，并掌握多传感器融合的即插即用方法。
🔑 核心思想
KF 的协方差收敛后，只需要一个固定增益矩阵 $K^*$ 即可；传感器融合在信息形式下天然支持模块化——每个传感器的贡献是独立的加性项。
上节课我们得出结论：当 $(A, C)$ 可观且 $(A, \sqrt{Q})$ 能控时，$P_{k|k}$ 收敛到稳态值 $\bar P$：
随之而来的是 Kalman 增益的收敛：
💡 为什么收敛？
直观上，每个新测量都提供一定量的"信息"，而过程噪声又带来不确定性的增加。当信息收益 = 信息损失时，系统达到动态平衡——不确定性不再变化，增益也固定在最优值上。
收敛后，KF 变成一个线性时不变系统（LTI system）：
或者等价地写为预测形式：
$K^*$ 可以通过求解 代数 Riccati 方程（ARE）得到：
ARE 可以离线求解（例如用迭代法或直接数值解法），得到 $\bar P$ 后再计算 $K^* = \bar P C' [C \bar P C' + R]^{-1}$。
🧠 关键认识
固定增益估计器是 KF 的"稳态版本"。它牺牲了初始阶段的时变最优性，换来了极大的计算简化。对于长时间运行的系统（如卫星的轨道确定），这是一个非常划算的交换。
每一步只需：
不再需要在线矩阵求逆，乘法次数从 O(n³) 降为 O(n²)。
只需要存储：
不需要存储整个增益序列或协方差矩阵序列。
代码量大幅减少，调试和维护成本低。对于 FPGA 或微控制器实现特别有吸引力。
一旦 $K^*$ 确定，估计器的动态性能（收敛速度、稳态误差）可以通过经典的控制理论工具（极点分析等）进行分析。
⚠️ 权衡
固定增益估计器在系统参数不变时表现良好。但如果 $Q$、$R$ 或系统模型发生显著变化，$K^*$ 就不再是最优的。此时需要重新求解 ARE 或切换回时变 KF。
标准 KF 使用协方差 $P$ 和状态 $\hat x$ 进行更新。有时候用它们的逆（信息矩阵 $\Omega = P^{-1}$ 和信息向量 $\xi = P^{-1} \hat x$）更加方便。
回顾后验协方差的更新：
以及状态更新：
定义信息形式的变量：
💡 解读
信息形式的测量更新就是简单的加法！每次测量到来，就把 $C' R^{-1} C$（信息贡献）加到信息矩阵上，把 $C' R^{-1} y_{k}$（加权测量）加到信息向量上。这种"累加"的结构非常适合多传感器融合。
假设有 $n$ 个传感器，第 $i$ 个传感器的测量模型为：
将所有测量堆叠成一个向量，然后套用标准 KF：
这种方法需要每次拼装大矩阵，不够灵活。
用信息形式，每个传感器的贡献独立累加：
每个传感器的贡献独立计算，互不干扰。新增传感器只需增加对应的 $C_{i}' R_{i}^{-1} C_{i}$ 项。
某个传感器的数据来了就加进去，没来就不加。天然支持异步传感器和可变采样率。
某个传感器失效时，只需移除其贡献项。不需要重新设计整个融合逻辑。
🔗 实际应用场景
自动驾驶汽车有摄像头、激光雷达、IMU、GPS 等传感器，每个传感器可能以不同频率运行、随时掉线或信号延迟。信息形式的 KF 天然支持这种动态配置的融合需求——每个传感器来了就"加"进去，走了就"减"出来。
到目前为止，我们一直使用几何方法（投影定理 + 新息正交性）来推导 KF。这种方法有两个局限：
🤔 开放问题
在线性高斯系统下，LMMSE 是否等于 MMSE（最小均方误差估计，即条件均值 $E[x_{k} | y_{0}, \dots, y_{k}]$）？如果等于，则说明 KF 的线性估计实际上是最优的——没有任何非线性方法能做得更好。
要回答这个问题，我们需要从概率的角度重新审视。这就是下一讲的内容——用条件高斯分布推导 MMSE 估计，并证明在线性高斯系统中 MMSE = LMMSE。同时还会从优化法的角度，将 Kalman 增益的求解转化为二次型最小化问题。
本讲完成了 KF L16 的后半部分内容。总结核心要点：
| 概念 | 核心公式 | 工程意义 |
|---|---|---|
| 固定增益估计器 | $\hat x_{k+1|k} = A \hat x_{k|k-1} + K^* [y_{k} - C \hat x_{k|k-1}]$ | O(1) 存储、O(n²) 计算 |
| 信息形式 KF | $\Omega_{k|k} = \Omega_{k|k-1} + C' R^{-1} C$ | 加法更新，便于融合 |
| 传感器融合 | $\Omega = \Omega_{0} + \sum C_{i}' R_{i}^{-1} C_{i}$ | 即插即用、模块化、容错 |
固定增益估计器相比时变 KF 有什么优势和劣势？
优势：计算量小（O(n²) 而非 O(n³)）、存储开销小、实现简单。劣势：在初始阶段不是最优的（因为增益固定不能适应不确定性较大的初期）；系统参数变化时需要重新求解 ARE。
传感器融合中，信息形式的 KF 为什么支持即插即用？
信息形式的测量更新与标准形式的测量更新本质上是等价的吗？
是的。信息形式 $P_{k|k}^{-1} = P_{k|k-1}^{-1} + C' R^{-1} C$ 可以通过矩阵求逆引理（SMW 公式）推导出标准形式 $P_{k|k} = P_{k|k-1} - P_{k|k-1} C' [C P_{k|k-1} C' + R]^{-1} C P_{k|k-1}$。两者是完全等价的，只是表达形式不同。
施老师大课堂 · 研讨会系列 KF L16 · 固定增益估计器与传感器融合