案例库 · 工程与运营 · 技术决策 · 1960
卡尔曼滤波器：信任模型而非嘈杂传感器，引导阿波罗登月
1960年，卡尔曼的递归滤波器将预测与每次含噪读数相结合，使NASA能够引导阿波罗飞船登上月球。
NASA艾姆斯研究中心 · 高等研究所
那一手
所有统计估计都受有缺陷的传感器、意外扰动的干扰，以及模型本身的不完美影响，因此单次读数永远不能完全信赖。在绕月轨道上引导航天器使这一问题变得尤为严重：微小误差会累积，且没有可靠的方法保持航向。
卡尔曼在1960年提出的算法通过一对动态方程解决了这个问题：一个生成未知变量估计，另一个估计这些不确定性估计的精度。每一步先预测当前状态，再用新的传感器读数进行校正，并根据置信度对两者加权。
该滤波器是递归的，因此只需前一个估计和最新读数，而不需要全部历史数据。面对阿波罗制导问题的NASA研究人员几乎立即采用了它，并使之成为估计任何观测不完美系统状态的标准方法。
为什么管用
- 按不确定性加权模型预测与测量，优于单独使用任一种。
- 递归仅存储前一估计及其误差，因此在计算机上以恒定内存运行。
- 它将一系列含噪样本转化为对不可观测状态的持续最优估计。
值了多少按不确定性加权融合预测与测量神来之笔
可以搬走什么
当没有完美测量时，不要轻信单个读数；保留状态预测模型，并按确定性比例融合每个新观测。
后来呢
卡尔曼滤波器成为飞控软件的中坚，用于引导阿波罗和猎户座飞船，校准国际空间站货物对接，预报天气，定位手机，以及调整无人机和潜艇，卡尔曼因此于2008年获颁美国国家科学奖章。
资料来源
发现哪里写错了？告诉我们。