当雷达“看不清”的时候
想象一下，一架飞机正在万米高空飞行，地面的雷达紧紧盯着它。
雷达发射一道电磁波，击中飞机后反射回来。通过计算时间差，雷达知道飞机在10000米外，速度200米/秒。
但问题来了——
任何测量都有噪声。十台雷达同时测同一架飞机，会得到十个不同的数字。有的显示10003米，有的显示9997米。差别不大，但足以让追踪变得棘手。
更棘手的是：飞机不是静止的。5秒后，它可能已经飞到了11000米的位置。可这5秒里，风速在变，飞行员可能在调整航向。模型预测和真实情况之间，总有偏差。
这就是卡尔曼滤波器要解决的问题：如何在充满噪声的测量和并不完美的预测之间，找到最接近真相的答案。
卡尔曼的秘密：加权平均
答案听起来有点反直觉——把预测和测量结合起来。
不是二选一，而是各取所长。
如果预测很准，那就多相信预测；如果测量更可靠，那就偏向测量。这听起来像废话，但卡尔曼滤波器真正厉害的地方在于：它能算出这个“相信多少”的精确比例。
这个比例叫卡尔曼增益（Kalman Gain）。
举个例子。在第一次更新中，预测显示飞机应该在11000米的位置。但雷达实际测到的是11020米。
哪个更靠谱？
对比一下不确定度：预测的方差是28.5，测量的方差是36。预测的不确定性更小，所以卡尔曼滤波器决定——更相信预测，但也不完全忽略测量。
它算出一个权重矩阵，给预测更高的权重，最终算出：飞机实际位置在11009.37米。
最终结果比单纯相信预测或单纯相信测量都要准。
这就是卡尔曼滤波器的核心哲学：不偏信任何单一信息源，而是在所有信息之间找到最优平衡。
噪声才是常态
有意思的是，文章特别提到一个反直觉的结论：即使新测量充满了高不确定性，加入新信息也永远能降低估计的总不确定性。
换句话说，哪怕你的测量很烂，它也是有价值的。前提是你知道它有多“烂”。
这正是卡尔曼滤波器的优雅之处。它不嫌弃噪声，它只是量化噪声，然后用数学方法把噪声变成有用的东西。
“如果你不能简单解释一件事，说明你还没真正理解它。”——爱因斯坦
卡尔曼滤波器之所以伟大，恰恰因为它把一个看似复杂的数学问题，还原成了最朴素的道理：在不确定中寻找确定性，在噪声中发现信号。
【锐评】：卡尔曼滤波器本质就是一个“动态加权平均”的算法，但把它包装成“最优估计”就显得高大上了——搞技术的人，都懂的。
参考链接：
https://kalmanfilter.net