自动驾驶感知与预测模块存在无法规避的噪声：激光雷达、相机的观测误差，车辆动力学模型与真实驾驶行为的偏差，都会让我们得到的车辆位置、速度、加速度不再是确定数值。绝大多数简易轨迹算法只输出单点预测坐标，完全忽略噪声带来的风险偏差；而卡尔曼滤波依靠高斯分布假设，搭建一套可循环迭代的状态估计框架，完整量化车辆状态的不确定性，是自动驾驶轨迹预测的基础工业方案。

一、核心底层假设：用高斯分布统一描述全部噪声

核心结论：卡尔曼滤波依靠高斯分布建模车辆状态、物理模型的不确定性与噪声。

这里包含两层严谨的数学前提，也是它所有计算成立的根基：

状态服从高斯分布

车辆的二维状态向量

不固定为单一数值，而是一组正态分布随机变量，用均值向量代表最可能的真实状态，协方差矩阵刻画各维度之间的误差波动、相关性。协方差矩阵对角线是各状态自身噪声方差，非对角线元素代表位置、速度之间的耦合误差。

两类噪声均为零均值高斯白噪声

过程噪声Q：车辆动力学模型与真实行驶行为的偏差，对应物理模型不确定性；

观测噪声R：传感器测距、识别带来的观测误差；

高斯分布具备线性变换后仍保持高斯分布的数学特性，因此整套滤波仅通过均值、协方差两个参数，就能完整描述全部状态分布，无需存储海量采样点，计算开销极低，适配车载嵌入式实时推理。

与之对比，蒙特卡洛类方法（粒子滤波）无高斯分布约束，通过大量采样拟合任意分布，但粒子采样带来巨大算力消耗，车载实时场景下延迟更高；卡尔曼以高斯假设为代价，换取轻量化、可实时迭代的状态估计能力。

二、标准双循环框架：预测步+更新步迭代更新状态分布

卡尔曼滤波是闭环迭代算法，每一个时间戳固定执行「预测-更新」两步循环，持续修正车辆状态均值与协方差矩阵，最终输出带不确定性的未来轨迹。

1. 预测步：基于动力学模型推演先验分布

依靠车辆运动学/动力学模型（匀速、匀加速模型），从上一时刻最优状态推演当前时刻预测均值；同时根据过程噪声矩阵Q放大协方差，模拟模型本身带来的不确定性。

这一步仅依靠历史运动规律推演，不引入当前传感器观测，得到的是先验状态分布，协方差会持续变大，代表随时间推移，模型预测的不确定性持续上升。

2. 更新步：融合传感器观测修正后验分布

拿到当前帧相机、雷达观测数据后，计算卡尔曼增益$K$，平衡模型预测与传感器观测两者可信度：观测噪声越小，增益越大，观测值对最终状态修正权重更高；模型噪声越小，则更信任动力学推演结果。

利用卡尔曼增益修正预测均值、收缩协方差矩阵，得到收敛后的后验状态分布，也就是当前时刻最优状态估计。协方差矩阵在更新后缩小，代表观测信息有效降低了状态不确定性。

3. 多步轨迹推演输出不确定性轨迹

若需要预测未来数秒车辆轨迹，仅重复执行预测步：持续基于动力学模型向前推演每一个时间步的均值与协方差矩阵。每向前预测一帧，协方差矩阵持续膨胀，直观体现预测时间越远，车辆行为不确定性越高。最终输出的不是单条轨迹曲线，而是以均值为中心、协方差为置信区间的概率分布带，可直接用于自动驾驶安全风险判定：协方差越大，代表该位置碰撞风险越高。

三、高斯假设的固有边界与工程取舍

卡尔曼滤波整套算法成立的核心前提是所有噪声服从高斯分布，这也是它无法覆盖全部驾驶场景的硬边界：

道路突发切道、急刹、非机动车横穿等非线性突变行为，噪声不再满足高斯分布，卡尔曼滤波会出现严重估计偏差；拓展方案采用扩展卡尔曼EKF、无迹卡尔曼UKF，适配弱非线性场景；强非线性场景则切换粒子滤波等无分布约束算法。

当传感器长时间丢失目标（遮挡、远距离识别失效），更新步无法执行，仅循环预测步，协方差持续无限膨胀，状态估计彻底失效，工程上会设置协方差阈值，超过阈值直接判定目标丢失。

四、工业落地定位

优势：矩阵运算轻量化、无采样开销、内存占用低，完全适配车载MCU、SOC实时计算需求；输出均值+协方差的标准化概率分布，可直接对接风险评估、分位数安全阈值计算模块。

适用场景：高速跟车、常规直行、缓转向等平稳驾驶场景的目标跟踪与短期轨迹预测。

局限：强非线性、极端突变行为下估计精度大幅下降，必须搭配非线性滤波或深度学习轨迹模型做补充。

共勉

所有自动驾驶底层估计算法，本质都是在「算力开销」与「建模精度」之间做取舍。卡尔曼滤波依靠高斯分布的强假设换取实时计算能力，同时用均值、协方差量化不确定性，为安全决策提供概率依据。

学习底层滤波算法不能只背诵五步公式，更要理解假设条件对应的适用边界：清楚高斯假设的优势与短板，才能在工程落地中根据场景选择卡尔曼、UKF或是粒子滤波，避免因模型前提不匹配带来轨迹估计偏差，引发安全隐患。吃透概率化状态估计思路，也是理解自动驾驶风险量化体系的基础。