卡尔曼滤波

预测和新观测共同更新

卡尔曼滤波利用动态状态和观测模型的统计特性递推估计。核心思路是比较当前观测与预测观测的偏差，按相应权重修正状态估计，再继续预测与更新。偏差需是可比较的观测量，不能把不同单位裸相减。

最优性有模型条件

教材在线性动力学及系统/传感器噪声为高斯白噪声的条件下讨论统计最优估计；还需合适初始与噪声统计建模。不能把原文“精度更高”推广为所有条件下必优于最小二乘或维纳滤波。

递推以已有估计概括历史信息，减少逐次保留全部历史样本的需求，但不是无需状态与协方差存储。组合导航、跟踪定位是典型应用方向，模型错误或异常观测仍需处理。