我最近一直在研究卡尔曼滤波器。当然，其中涉及到很多术语，需要彻底理解这些术语才能很好地实施和优化它。在决定过程误差协方差、过程噪声协方差和测量噪声协方差时，我没有明确的理解。误差协方差仍然可以使用，因为它们基本上定义了实际状态和假设/估计状态的不确定性，以及状态向量分量的不确定性之间的相关性。这些协变量在每次连续迭代中进行迭代，并随着时间的推移，与实际状态相比，估计值变得更加准确，逐渐合并到最小值。
对于过程噪声和测量噪声协方差矩阵，我从3 x 3单位矩阵的假定值开始，将其作为Q（HIT and TRIAL）。结果看起来并不那么有希望，所以我尝试插入这个矩阵：
Q = [(T^5)/20, (T^4)/8, (T^3)/6;
(T^4)/8, (T^3)/3, (T^2)/2;
(T^3)/6, (T^2)/2, T];（在一些论文中发现了这个矩阵，T是采样时间）
这似乎很有效，并提供了良好的结果。它起了作用，但我不清楚它背后的原因。还尝试了其他各种矩阵，如：
Q = 0.0001*diag([0.1 0.1 0.1]);
即便如此，似乎也取得了不错的效果。我在网上的一些地方读到，为Q选择过大的值会导致过滤器行为不端。
请帮助我如何选择"Q"矩阵。有没有同样的指导方针。
谈到测量噪声协方差矩阵R，在网上读了一点，我决定选择一个为噪声协方差计算的矩阵作为测量噪声协方差。这再次导致了不准确的结果。所以，我不得不屈服于点击和试用的方法，最终选择了R作为[1]这目前效果很好，再次说明我对这种选择值的试错方法不满意。
如果有人能帮我澄清一下，那就太好了。
感谢
如果您仍然对这个问题感兴趣，下面是答案。当你用卡尔曼滤波器跟踪的真实物体动力学与滤波器的动力学（写在矩阵A中）相对应时，你根本不需要协方差矩阵Q。在这种情况下，滤波器的增益系数会逐步减小。这是对的，因为过滤器一步一步地更好地了解你的对象，最终根本不需要测量。但是如果对象动力学与矩阵A不同，则滤波器滞后误差因相同原因逐步增加。矩阵Q解决了这个问题。实际物体动力学和矩阵A之间的预期差的Q状态。例如，矩阵A等于
（1吨；0 1）
对于二维状态。如果你正在跟踪的物体加速，预期差值等于
（T*T/2；T）*加速度
因此，额外的预测误差等于
（T^4/4T^3/2；T^3/2 T^2）*加速度^2
这就是矩阵Q。我希望它能帮助你。