这绝对是工程应用卡尔曼滤波时最常碰到的痛点问题——毕竟理论上的最优滤波依赖完美的$R$、$Q$，但实际中我们几乎不可能拿到它们的真实值。我结合实际项目经验和理论推导给你梳理清楚：

一、先明确核心逻辑：$R$、$Q$到底在干嘛？ #

卡尔曼滤波本质是最小均方误差（MMSE）估计，$R$（测量噪声协方差）和$Q$（过程噪声协方差）是计算最优卡尔曼增益$K_k$的核心依据——它们本质是在给「模型预测」和「测量值」分配权重：

• $Q$越大，代表你认为系统状态的随机波动越剧烈，滤波会更倾向于相信测量值；
• $R$越大，代表你认为测量噪声越大，滤波会更倾向于相信模型的预测结果。

二、同比例缩放偏差：$R'=\alpha R$，$Q'=\alpha Q$的情况 #

这个例子很有意思，先给你个反直觉的结论：当$R$和$Q$被同比例缩放时，卡尔曼增益$K_k$完全不变，因为增益公式里的$\alpha$会被分子分母抵消：
$$K_k = P_{k|k-1}H_k^{T(H_kP_{k|k-1}H_k}T + R')^{-1}$$
而预测协方差$P_{k|k-1}=F_kP_{k-1|k-1}F_k^T + Q'$，代入$\alpha$后，分子分母的$\alpha$会约掉，所以$K_k$和使用真实$R$、$Q$时的最优增益一致。

但这并不代表没有影响：

• 当$\alpha >> 1$：滤波协方差$P_{k|k}$会变成真实最优协方差的$\alpha$倍，也就是说你会错误地认为自己的估计置信度极低（置信区间极宽），但状态估计的均值是无偏的，精度和最优滤波完全一致；
• 当$\alpha << 1$：滤波协方差会被过度缩小，你会错误地对自己的估计过度自信，但实际估计精度还是和最优滤波相同。

如果是单独缩放$R$或$Q$，影响就完全不同了：

• 单独把$R'=\alpha R$且$\alpha >>1$：测量噪声被高估，$K_k$变小，滤波极度依赖模型预测，如果模型本身存在系统误差，估计会逐渐漂移；
• 单独把$Q'=\alpha Q$且$\alpha >>1$：过程噪声被高估，$K_k$变大，滤波极度依赖测量值，会被测量噪声干扰得剧烈波动。

三、相关性估计错误的影响 #

协方差矩阵的非对角元素代表不同状态/测量变量之间的相关性，这部分的错误影响更隐蔽，也更容易被忽略：

• 遗漏真实相关性：比如系统的位置和速度状态高度相关，但你把协方差矩阵估成对角矩阵（认为两者独立），会导致增益计算偏离最优，状态估计的均方误差显著变大，严重时甚至会引发滤波发散；
• 引入虚假相关性：如果错误地给原本独立的测量/状态变量加上相关性，滤波会基于虚假关联调整估计，比如把两个独立的传感器测量值当成相关的，会过度平滑其中一个的噪声，导致估计出现系统性偏差。

四、整体影响程度的总结 #

卡尔曼滤波对$R$、$Q$的偏差并非“零容忍”，实际影响要看偏差的方向和幅度：

• 小幅度偏差：滤波的鲁棒性还不错，估计精度下降不明显，甚至可以利用这种偏差做工程调参——比如稍微调大$Q$让滤波更快跟踪状态突变，调大$R$让滤波输出更平滑；
• 大幅度偏差：会直接破坏滤波的最优性，比如把$Q$估成0（认为系统完全无随机波动），模型的微小误差会被不断累积，最终导致估计彻底漂移；把$R$估成0（认为测量完全无噪声），滤波会被测量噪声直接淹没，输出剧烈波动；
• 敏感度差异：相对来说，$Q$的偏差影响更大——因为$Q$决定了对模型的信任程度，模型误差的累积是长期的，而$R$的偏差更多是短期的测量权重问题。

备注：内容来源于stack exchange，提问作者Taylor Fang