✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。
🔥内容介绍
导航技术作为现代航空航天、航海、智能交通、军事装备等领域的核心支撑，其精度、稳定性与抗干扰能力直接决定载体的作业效能与安全。卡尔曼滤波器（Kalman Filter, KF）作为线性系统最优状态估计的经典算法，自1960年由R.E.Kalman提出以来，已成为导航与状态估计领域的基础工具，其核心优势在于能在高斯噪声环境下，通过“预测-更新”的迭代循环，融合多源观测信息，实现对系统状态的最优估计，有效抑制噪声干扰带来的误差累积。扩展卡尔曼滤波（Extended Kalman Filter, EKF）则是KF在非线性系统中的推广延伸，通过在滤波值处将非线性函数进行一阶泰勒级数展开并忽略高阶项，将非线性系统近似为局部线性化模型，进而应用KF原理实现状态估计，解决了实际导航系统中普遍存在的非线性建模问题，拓宽了卡尔曼滤波类算法的应用场景。本文围绕KF与EKF的核心原理，系统研究其在惯性导航系统（Inertial Navigation System, INS）、全球导航卫星系统（Global Navigation Satellite System, GNSS）导航、目标跟踪及地形参考导航（Terrain Referenced Navigation, TRN）四大方向的应用，分析当前技术瓶颈并提出优化思路，为高精度、高可靠性导航系统的设计与实现提供理论支撑与工程参考。
一、卡尔曼滤波器与扩展卡尔曼滤波核心原理
二、基于KF/EKF的惯性导航系统（INS）研究
惯性导航系统（INS）是一种自主式导航系统，通过惯性测量单元（IMU）中的陀螺仪和加速度计，实时采集载体的角速率和线加速度，经积分运算得到载体的姿态、速度和位置信息，其核心优势是不依赖外部信号，抗干扰能力强，短期定位精度高，但由于IMU存在零偏、漂移等误差，且误差会随时间累积，长期导航精度会显著下降，而KF与EKF是抑制INS误差累积的核心技术手段。
2.1 INS的核心建模与误差分析
INS的建模核心是建立载体的运动学方程与姿态动力学方程，其中姿态解算通常采用四元数表示，避免欧拉角带来的万向锁问题，姿态、速度、位置的解算过程均存在非线性特性，因此EKF成为INS状态估计的主流选择。INS的误差主要包括IMU误差（陀螺仪零偏、漂移，加速度计零偏、刻度系数误差）、姿态误差、速度误差和位置误差，这些误差相互耦合，会通过积分运算不断累积，导致导航精度下降，因此需要通过滤波算法对误差进行实时估计与补偿。
2.2 KF/EKF在INS中的应用与优化
KF主要应用于线性化程度较高的INS场景（如低速、平稳运动载体的导航），通过建立INS的线性误差模型，利用KF对姿态、速度、位置误差进行估计，进而对INS的输出结果进行校正，抑制误差累积。但对于大多数动态载体（如无人机、车辆、舰艇），INS的运动学方程和误差模型非线性较强，此时EKF的应用更为广泛。
基于EKF的INS误差补偿方案，核心是构建非线性误差状态方程和观测方程，将陀螺仪零偏、加速度计零偏、姿态误差、速度误差、位置误差作为状态向量，利用IMU的观测数据作为输入，通过EKF的“预测-更新”迭代，实时估计各误差项，再将误差估计值反馈到INS的解算过程中，实现误差补偿，提升导航精度。例如，在车载惯导系统中，通过EKF对安装角误差、IMU零偏进行实时估计，可显著提升定位稳定性；在无人机惯导系统中，基于改进EKF的时延位姿补偿算法，能有效降低强振动环境下的位姿估计误差。
当前优化方向主要集中在两个方面：一是改进EKF的线性化方法，减少线性化误差，如采用二阶EKF（SEKF）或UKF替代传统EKF，提升非线性场景下的滤波精度；二是结合多源传感器信息（如GNSS、视觉传感器），通过多源融合进一步抑制INS误差累积，形成INS/GNSS组合导航系统，兼顾INS的自主性和GNSS的长期稳定性。
三、基于KF/EKF的全球导航卫星系统（GNSS）导航研究
GNSS是一种基于卫星信号的全球导航系统（如GPS、北斗、GLONASS），能为载体提供全天候、全球性的位置、速度和时间信息，长期导航精度高，无累积误差，但存在信号易受遮挡、干扰（如多径效应、非视距效应）、在室内、城市峡谷、隧道等场景下信号中断的问题，导致导航可靠性不足。KF与EKF可通过多源融合和信号滤波，提升GNSS导航的精度、抗干扰能力和连续性，同时解决GNSS与INS等其他导航系统的融合问题。
3.1 GNSS导航的核心问题与滤波需求
GNSS导航的核心问题的是卫星信号的噪声抑制、多源干扰抑制以及信号中断时的导航连续性保障。GNSS的观测信号中包含热噪声、多径噪声、电离层延迟、对流层延迟等多种干扰，导致观测值存在误差，直接影响导航精度；同时，在城市峡谷、隧道等场景下，卫星信号易被遮挡，导致GNSS无法正常输出导航信息，需要通过滤波算法和多源融合技术，实现导航信息的平滑过渡和补充。
3.2 KF/EKF在GNSS导航中的应用
KF在GNSS导航中的应用主要集中在单GNSS系统的信号滤波和平滑处理，通过建立GNSS观测值的线性模型，利用KF对观测噪声进行抑制，平滑导航输出结果，提升定位精度。例如，在GNSS静态定位中，通过KF对卫星伪距观测值进行滤波，可有效抑制观测噪声，提升定位精度；在动态定位中，KF可对载体的速度和位置进行平滑估计，减少动态误差。
EKF则主要应用于GNSS的非线性场景和多源融合场景：一方面，针对GNSS观测方程中的非线性特性（如伪距、载波相位与位置的非线性关系），通过EKF实现非线性状态估计，提升定位精度；另一方面，在GNSS/INS组合导航中，EKF作为核心融合算法，实现GNSS与INS的优势互补——INS弥补GNSS信号中断时的导航连续性，GNSS则定期校正INS的累积误差，形成闭环修正机制，提升整体导航系统的精度和可靠性。
此外，EKF还可用于GNSS抗干扰优化，例如，针对城市峡谷环境中GNSS量测噪声时变的问题，结合自适应策略的EKF算法，可实时估计时变量测噪声协方差，剔除粗差干扰，提升导航系统的鲁棒性；在GNSS/PDR组合导航中，基于EKF的弹性容错架构，可实现故障检测与自主重构，提升复杂环境下的导航可靠性。GNSS与INS的组合主要分为松耦合和紧耦合两种模式：松耦合直接融合位置/速度信息，实现简单但精度受限；紧耦合融合原始伪距/多普勒观测数据，精度更高但计算复杂，EKF在两种耦合模式中均能发挥核心融合作用。
四、基于KF/EKF的目标跟踪研究
目标跟踪是导航、雷达、安防、自动驾驶等领域的重要应用，核心是通过传感器（如雷达、红外、摄像头、GNSS）获取目标的观测信息，实时估计目标的位置、速度、加速度等状态参数，实现对目标运动轨迹的实时跟踪和预测。由于目标运动存在不确定性（如机动运动），且传感器观测存在噪声干扰，KF与EKF成为目标跟踪的核心算法，能有效抑制噪声，提升跟踪精度和稳定性，适配不同运动特性的目标跟踪场景。
4.1 目标跟踪的建模与滤波需求
目标跟踪的核心是建立目标的运动模型和观测模型。目标运动模型通常根据目标的运动特性（如匀速运动、匀加速运动、机动运动）建立，存在线性和非线性两种类型：匀速、匀加速运动可建立线性运动模型，适用于KF；机动运动（如转弯、变速）则需要建立非线性运动模型，适用于EKF。观测模型则根据传感器的类型（如雷达的距离、角度观测，GNSS的位置观测）建立，部分观测模型存在非线性特性（如雷达角度与目标位置的非线性关系），需要通过EKF实现状态估计。
目标跟踪的滤波需求主要是：在噪声干扰下，实时、准确地估计目标状态，跟踪目标的运动轨迹，当目标出现机动时，能快速适应目标运动状态的变化，避免跟踪失锁；在多目标场景中，能有效解决目标交叉、遮挡等问题，提升多目标跟踪的准确性。
4.2 KF/EKF在目标跟踪中的应用与优化
KF主要应用于线性运动目标的跟踪（如匀速直线运动的车辆、飞机），通过建立目标的线性运动模型和观测模型，利用KF的“预测-更新”迭代，实时估计目标的位置、速度等状态参数，抑制观测噪声，实现精准跟踪。例如，在雷达匀速目标跟踪中，通过KF对雷达的距离、角度观测值进行滤波，可有效抑制噪声干扰，提升跟踪精度。
EKF则主要应用于非线性运动目标和非线性观测模型的跟踪场景，例如，机动目标跟踪（如转弯的车辆、机动飞行的飞机），通过建立目标的非线性运动模型（如协同转弯模型），利用EKF对非线性状态进行估计，实现对机动目标的精准跟踪；在红外目标跟踪中，观测模型存在非线性特性，EKF可通过线性化处理，实现目标状态的最优估计。
当前优化方向主要包括：一是改进EKF的自适应能力，如自适应EKF，通过实时调整过程噪声和观测噪声的协方差矩阵，适应目标运动状态的变化，提升机动目标的跟踪精度；二是结合多传感器融合技术（如雷达+红外+GNSS），通过EKF融合多源观测信息，提升目标跟踪的可靠性和抗干扰能力；三是针对多目标跟踪场景，将联合概率数据关联（JPDA）与EKF结合，解决密集环境下的目标交叉问题，提升多目标跟踪性能；四是采用UKF、粒子滤波等算法替代传统EKF，减少线性化误差，提升非线性目标跟踪的精度。
五、基于KF/EKF的地形参考导航（TRN）研究
地形参考导航（TRN）是一种自主式导航技术，通过载体上的地形传感器（如雷达高度计、激光高度计）获取当前地形高程信息，与预先存储的数字高程地图（DEM）进行匹配，结合载体的运动信息，实现载体位置的估计。TRN不依赖外部信号，抗干扰能力强，适用于GNSS信号中断的场景（如低空飞行、水下航行），但存在地形匹配误差、传感器观测噪声等问题，KF与EKF可有效提升TRN的匹配精度和导航稳定性，解决地形突变等场景下的滤波发散问题。
5.1 TRN的核心原理与滤波需求
TRN的核心原理是“地形匹配”，即通过地形传感器获取当前载体下方的地形高程序列，与DEM中的高程序列进行比对，找到最匹配的位置，作为载体的当前位置估计。TRN的导航精度主要取决于地形匹配精度和传感器观测精度，由于地形传感器存在观测噪声，且载体运动存在不确定性，导致地形匹配存在误差，同时，在地形平坦、地形突变等场景下，匹配精度会显著下降，甚至出现匹配失败，因此需要通过滤波算法对匹配结果进行平滑和校正，抑制噪声干扰，提升导航精度和稳定性，避免滤波发散。
5.2 KF/EKF在TRN中的应用与优化
KF在TRN中的应用主要集中在地形匹配结果的平滑处理和线性误差校正，通过建立TRN的线性导航模型，利用KF对地形匹配得到的位置估计值进行滤波，抑制观测噪声和匹配误差，平滑导航输出结果。例如，在平坦地形场景下，载体运动较为平稳，TRN的导航模型可近似为线性模型，KF可有效提升导航精度。
EKF则主要应用于TRN的非线性场景，例如，低空飞行载体的地形匹配，由于载体运动姿态变化较大，地形匹配模型和观测模型存在较强的非线性特性，EKF通过对非线性模型进行线性化处理，实现对载体位置、速度、姿态的最优估计，同时校正地形匹配误差。此外，EKF还可用于TRN与INS的融合导航，通过EKF融合TRN的位置估计和INS的姿态、速度信息，实现优势互补——INS弥补TRN匹配间隔长的不足，TRN则校正INS的累积误差，提升整体导航系统的精度和可靠性，尤其适用于GNSS拒止环境下的自主导航。
当前优化方向主要包括：一是改进EKF的线性化方法，减少地形突变场景下的线性化误差，例如，采用HELI/SITAN算法结合多子滤波器，在初始误差50m内仍可收敛至圆概率误差（CEP）<50m；二是采用Rao-Blackwellized PF等混合滤波算法，分离线性（INS误差）与非线性（地形匹配）状态，分别用KF和PF估计，兼顾精度与效率；三是结合地形辅助SLAM技术，在无先验地图时，联合估计载体位姿与地形特征，提升自主导航能力；四是优化地形匹配算法与EKF的融合策略，提升地形突变、复杂地形场景下的导航稳定性和精度，解决传统SITAN算法（基于EKF）在地形突变时易发散的问题。
六、研究总结与展望
6.1 研究总结
本文系统研究了卡尔曼滤波器（KF）与扩展卡尔曼滤波（EKF）在INS、GNSS导航、目标跟踪、TRN四大导航相关领域的应用，梳理了KF/EKF的核心原理、应用场景及优化方向，得出以下结论：
1. KF作为线性高斯系统的最优状态估计算法，运算效率高，适用于线性化程度较高的导航和目标跟踪场景（如低速平稳INS导航、匀速目标跟踪、平坦地形TRN），能有效抑制噪声干扰，提升估计精度；
2. EKF通过对非线性系统进行局部线性化处理，突破了KF的线性限制，成为非线性导航场景（如动态INS导航、GNSS非线性观测、机动目标跟踪、复杂地形TRN）的核心算法，但其线性化误差会影响滤波精度，需结合改进算法（ESKF、UKF）或多源融合技术进行优化；
3. KF/EKF在四大领域的应用核心均是“噪声抑制”和“状态最优估计”，通过与多源传感器（INS、GNSS、地形传感器、雷达等）的融合，能实现优势互补，显著提升导航和目标跟踪系统的精度、可靠性和抗干扰能力，解决单一导航系统的固有缺陷（如INS误差累积、GNSS信号易中断、TRN匹配精度不足）；
4. 不同应用场景对KF/EKF的需求存在差异：INS和TRN更注重误差累积的抑制和非线性建模的准确性，GNSS导航更注重抗干扰能力和信号平滑处理，目标跟踪更注重机动适应性和多目标处理能力，需根据具体场景优化滤波算法参数和模型。
6.2 研究展望
随着导航技术向高精度、高可靠性、自主化、多场景适配的方向发展，基于KF/EKF的导航与目标跟踪技术仍有较大的优化空间，未来研究可聚焦于以下几个方面：
1. 改进EKF的非线性处理能力，减少线性化误差，例如，结合深度学习技术，通过神经网络拟合非线性函数，替代传统的一阶泰勒级数展开，提升非线性场景下的滤波精度；或进一步推广UKF、粒子滤波等无线性化误差的滤波算法，适配高动态、强非线性场景；
2. 深化多源融合技术的应用，构建INS/GNSS/TRN/目标跟踪一体化融合系统，通过KF/EKF实现多源信息的深度融合，提升系统的冗余容错能力和复杂场景适配能力，例如，在GNSS拒止、地形复杂的环境下，实现INS、TRN与目标跟踪的协同工作；
3. 提升算法的实时性和工程实用性，针对无人机、自动驾驶、军事装备等高速动态载体，优化KF/EKF的运算效率，简化模型复杂度，适配嵌入式系统的资源限制，同时完善算法的工程实现细节（如协方差矩阵维护、异常量测检测、参数自适应调整）；
4. 拓展KF/EKF在新型导航场景的应用，如低空经济、水下导航、星际导航等，结合新型传感器（如量子加速计、事件相机），优化滤波模型，解决新型场景下的导航与目标跟踪难题，推动高精度自主导航系统的实用化发展；
5. 加强鲁棒性优化，针对复杂环境下的量测粗差、时变噪声、信号干扰等问题，结合自适应策略、鲁棒估计方法，提升KF/EKF的抗干扰能力和稳定性，进一步拓展其应用边界。
⛳️ 运行结果
🔗 参考文献
[1] 徐金华,许江宁,朱涛,等.降阶扩展卡尔曼滤波在INS/GPS导航系统中的应用[J].兵工学报, 2006.DOI:CNKI:SUN:BIGO.0.2006-04-018.
[2] 徐金华,许江宁,朱涛,等.降阶扩展卡尔曼滤波在INS/GPS导航系统中的应用[J].兵工学报, 2006, 27(4):6.DOI:10.3321/j.issn:1000-1093.2006.04.019.
📣 部分代码
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP、置换流水车间调度问题PFSP、混合流水车间调度问题HFSP、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
