如何计算卡尔曼滤波器（KF）的标准差？需与蒙特卡洛标准差对比

一、直接从KF递推的协方差矩阵提取标准差 #

卡尔曼滤波在迭代过程中会实时维护估计误差协方差矩阵P_k，它的对角线元素直接对应各状态变量估计值的方差，标准差就是方差的平方根，具体操作如下：

• 针对每个迭代步k（1到100），从你的KF实现中取出当前的协方差矩阵P_k
• 对于第i个状态变量，其KF估计的标准差为：sqrt(P_k[i, i])
• 补充确认：P_k的递推是KF核心逻辑，需确保你的代码正确执行了两步递推：
  1. 预测步：P_k^- = F_k * P_{k-1} * F_k^T + Q_k（F_k为状态转移矩阵，Q_k为过程噪声协方差）
  2. 更新步：P_k = (I - K_k * H_k) * P_k^-（K_k为卡尔曼增益，H_k为观测矩阵，I为单位矩阵）

二、与蒙特卡洛(MC)标准差的对比验证 #

结合你已完成的30次MC实验，按以下步骤验证两者一致性：

1. 计算MC实验的误差方差：对每个k和第i个状态，用30次实验的估计误差e_k^m = 真实状态x_k - 第m次估计值\hat{x}_k^m，计算样本方差
   • 因你已确认误差均值几乎为0，可简化为：var_MC_k[i] = (1/(30-1)) * sum_{m=1到30} (e_k^m[i])^2
   • MC标准差为：sqrt(var_MC_k[i])
2. 逐k、逐状态对比KF的sqrt(P_k[i,i])和MC标准差，观察两者的接近程度

三、关键注意事项 #

• 若KF与MC标准差偏差较大，优先检查KF中Q_k（过程噪声）和R_k（观测噪声）的设置是否与MC实验中实际使用的噪声参数一致——P_k的计算完全依赖这两个先验噪声假设
• 30次MC实验样本量较小，统计波动可能导致偏差，若需更可靠结果，建议将实验次数增加至100次以上
• 多维状态下需分别验证每个维度的标准差，不能用整体协方差的全局指标替代单维度对比

内容的提问来源于stack exchange，提问作者yuvi