2026-08-07
从四个角度推导 Kalman Filter：Time Update 与 Measurement Update
从贝叶斯递推、估计误差与最优增益、随机变量仿射变换与联合高斯条件化、MAP 与加权最小二乘四个角度，完整推导 Kalman Filter 的时间更新和量测更新。
欢迎来到 Andy 的个人工坊，这里长期分享与 GNSS、AI 相关的技术经验，以及对生活和工作的思考。
从贝叶斯递推、估计误差与最优增益、随机变量仿射变换与联合高斯条件化、MAP 与加权最小二乘四个角度，完整推导 Kalman Filter 的时间更新和量测更新。
从卷积码的构成讲到 Viterbi 的动态规划内核，用一个可以手算的最小示例走完编解码全过程，再落到 SBAS、CNAV、Galileo I/NAV 的工程实现差异，以及 Radix-2 蝶形 ACS 的硬件并行化。
按照 Kalman Filter 的预测与更新流程，讨论城市峡谷环境下状态转移模型、过程噪声 Q、观测质量控制、观测噪声 R，以及 P、残差和 NIS 等稳定性指标的调优思路。
围绕单频 GNSS 接收机的电离层改正选型，分析 Klobuchar 类广播模型的低成本价值与误差局限，并讨论 SBAS IGP 格网模型对单频定位服务稳定性的改善。
AI 应用层的难题不是模型不能用，而是能不能把推理成本、流程改造和客户 ROI 算清楚。算不清楚，利润就会自然流向上游。
Agent 和 Workflow 不是谁替代谁的问题。先看任务能不能稳定拆解，再决定把多少自主权交给模型。