实话说接触路面附着系数估计这个方向的同行应该都有同感它在整车控制里的位置太特殊了——谁都离不开它谁做起来都头疼。分布式驱动电动汽车因为每个车轮的驱动力矩可以直接获取天然具备做附着系数估计的优势但真正落地的核心还是在滤波算法选型上。UKF和CKF这两个名字在论文里常常被并列提及可实际用起来差距比想象中复杂得多不光有精度差异还有数值稳定性、计算量、参数敏感度的权衡。这篇内容不是我翻译某篇论文而是我把自己在一台分布式驱动试验车上做附着系数估计的完整过程梳理了一遍从动力学建模、UKF实现、CKF实现到同工况对比测试和最终选型建议。如果你也在做车辆状态估计、或者正在纠结用无迹卡尔曼还是容积卡尔曼这文章应该能帮你省不少弯路。1. 四个轮子各自摸路分布式驱动对附着系数估计的天然优势1.1 为什么附着系数估计是底盘控制的地基路面附着系数通常记为μ直接定义了轮胎能传递到地面的最大摩擦力。它不是一个工程参数而是车辆纵向控制、横向控制、稳定性控制共同的输入前提。牵引力控制系统要知道当前路面能承受多大驱动力矩才不会打滑制动防抱死系统要判断该把制动力释放到什么程度车身稳定系统在计算横摆力矩控制目标时同样依赖每个车轮的附着极限。传统集中式驱动车辆上这个估计很难做。发动机输出力矩的获取存在较大不确定性液力变矩器、变速箱、传动轴的损耗模型复杂真正作用到车轮上的力矩很难精确知晓。附着系数的估计在集中式车型上往往只能靠滑移率-附着力曲线的斜率间接推断精度和实时性都受限。分布式驱动电动汽车把这个难题简化了一截。每个车轮由独立电机直接驱动电机输出的电磁力矩可以在控制器里以极高的精度获得响应速度是毫秒级的。这意味着车轮动力学方程里的输入项基本是已知量我们只需要通过状态估计算法把附着系数这个隐含变量从系统的输入输出关系中抽出来。这一结构性优势是分布式驱动在这个方向上比传统车辆更适合做文章的根本原因。1.2 附着系数估计的三条技术路线行业内做附着系数估计大致分为三类思路基于轮胎模型的方法。建立轮胎纵向力与滑移率、垂直载荷、附着系数的映射关系如魔术公式、Dugoff模型通过滤波估计轮胎模型参数或直接估计附着系数。这类方法物理意义明确估计结果相对平滑缺点是模型失配对结果影响较大。基于动力学的方法。利用车辆动力学方程以驱动/制动力矩和轮速、加速度为输入把附着系数作为状态变量纳入滤波框架。不依赖高精度轮胎模型但对激励质量有要求——如果车轮始终处于小滑移率区间附着系数几乎不可观测。基于数据驱动的方法。用神经网络或机器学习模型从大量试验数据中学习路面特征。上限高但泛化能力和可解释性一直是工程落地的障碍。我的试验方案选的是第二条路线用状态估计框架UKF/CKF来做原因很直接实车控制器上跑得动、参数物理意义清晰、能够和现有的车辆状态估计器车速、质心侧偏角估计器共用一套运算资源。1.3 滤波选型为什么是UKF和CKF附着系数估计问题的本质是非线性状态估计。车辆纵向动力学方程中存在车速与轮速的乘积、滑移率的非线性定义、以及轮胎力的非线性映射EKF扩展卡尔曼滤波靠一阶泰勒展开做线性化在强非线性区间误差迅速放大。UKF和CKF都属于确定性采样类滤波器根本思路是用一批精心选择的采样点逼近状态分布而不是线性化一个非线性函数。它们在车辆状态估计领域的占比逐年提高很多底盘控制研究团队已经把它们作为标准工具。但对很多人来说这两个算法的区别模糊——它们都生成采样点、都走预测-校正两步、都能处理加性噪声和非线性系统到底差在哪这需要往下拆。2. 从单轮动力学到状态方程附着系数如何混进系统里2.1 四分之一车辆模型的建立路面附着系数估计不需要整车模型作为起点。在纵向动力学估计问题中四分之一车辆模型也叫单轮模型是最常用的简化形式它把一个车轮、四分之一车身的运动关系单独拿出来描述。设车辆质量为m此处取四分之一质量车轮转动惯量为J车轮滚动半径为r电机驱动力矩为Td轮胎纵向力为Fx则连续时间下的动力学方程为m · dv/dt -Fx - FresJ · dω/dt Td - Fx · r其中v是车身速度ω是车轮旋转角速度Fres代表滚动阻力和空气阻力等外部阻力之和。做估计时Fres可以归入过程噪声也可以单独建模工程中为了简化通常用一个小常数近似。这里的核心耦合项是Fx它是连接车身平移运动和车轮旋转运动的桥梁也是附着系数μ出现的地方。轮胎纵向力Fx并不是μ的直接乘积还需要一个与滑移率相关的形状函数。2.2 轮胎力模型的简化处理把μ单独提出来完整的轮胎模型比如魔术公式里纵向力是滑移率、垂直载荷、外倾角、附着系数等多个变量的复杂函数。如果直接把这些参数全部放进状态向量里估计状态维数上升滤波器的收敛速度和数值稳定性都难以保证。我的做法参考了目前不少研究中采用的一种简化策略把纵向力写成显式分离的形式Fx μ · Fz · g(λ)其中Fz是车轮垂直载荷λ是滑移率g(λ)是归一化纵向力曲线。这个g(λ)反映的是轮胎-路面在不同滑移率下的力利用率形状不依赖具体的路面附着水平。它的典型特征是在滑移率较小时近似线性增长在峰值滑移率附近达到最大值1之后进入滑移区力值略微回落。这样处理的好处是μ被从轮胎模型中拆成了一个单独的乘性系数可以自然地作为状态变量放进滤波状态向量中。g(λ)的形状可以通过台架试验或者查找表确定也可以在仿真中用近似解析式表达。当附着系数估计值乘以g(λ)后的力与电机的驱动力矩、轮速变化率所反映的实际轮胎力吻合时估计值就是准的。滑移率λ的定义分驱动和制动两种情况。驱动工况下λ (v - ω·r) / v制动工况下λ (v - ω·r) / (ω·r)为了统一表达很多实现里采用 λ (v - ω·r) / max(v, ω·r) 的写法避免分母为零。仿真和实车代码最好统一用这个定义否则在工况切换瞬间滑移率计算会出现异常值。2.3 状态空间方程与离散化选定状态变量为x [v, ω, μ]^T系统连续状态方程为dv/dt -(μ · Fz · g(λ)) / m - Fres/mdω/dt (Td - μ · Fz · g(λ) · r) / Jdμ/dt 0 w_μμ方程为随机游走模型也就是说μ本身变化缓慢但允许一定的过程噪声w_μ来表示路面附着条件的真实变化。这个过程噪声方差是重要调参项设置太小估计结果对路面突变响应慢设置太大估计结果噪声大。量测方程选择什么取决于车上可用传感器。我的试验车辆具备轮速传感器和纵向加速度传感器IMU所以量测向量取z [ω, ax]^T其中ax -(μ · Fz · g(λ)) / m选轮速而不选车速作为直接量测是因为试验车没有做GPS/惯性组合导航车身速度本身也是不可测的。轮速信号来自ABS齿圈精度可以接受纵向加速度来自IMU注意IMU安装偏角和零点漂移需要标定。离散化用一阶欧拉法即可采样周期取1ms或2ms取决于控制器任务周期。这里有个容易被忽视的点μ方程对应的随机游走用的是离散化后的等效过程噪声协方差连续域的过程噪声功率需要乘以采样时间如果直接把连续域的数值搬进离散模型里滤波器的Q矩阵会偏大或偏小直接影响收敛特性。2.4 可观测性不是所有工况都能估计附着系数很多刚接触这个方向的研发人员容易忽视一个问题附着系数并不是在所有工况下都是可观测的。回到状态方程看μ通过Fx影响轮速和车辆加速度。如果车辆在稳定直线匀速行驶、滑移率接近零那么g(λ)在λ0附近的变化率非常小轮胎力对μ的灵敏度极低。此时无论什么滤波器都无法准确估计μ——不是算法不行而是系统本身缺乏激励。工程上有一句经验要估计附着系数必须先让轮胎说话。微小的驱动力矩激励导致轮速出现微小滑移这个滑移里才携带路面信息。在仿真对比和实车试验设计时我一般会确保工况中包含足够的驱动/制动激励否则对比出来的滤波器性能没有意义。3. UKF的Sigma点策略三个参数决定精度与稳定性3.1 无迹变换的核心思想UKF的全称是Unscented Kalman Filter核心是无迹变换Unscented Transform。它的逻辑起点是对于高斯分布我们不需要对非线性函数做解析近似而是可以生成一组带有权重的确定性采样点Sigma点把这组点经过非线性函数传播然后从传播后的点集中重新计算均值和协方差。对一个n维高斯分布均值x̄协方差PUKF生成2n1个Sigma点χ₀ x̄χᵢ x̄ √((nλ)P)ᵢ, i1,...,nχᵢ₊ₙ x̄ - √((nλ)P)ᵢ, i1,...,n其中λ α²(nκ) - n符号√((nλ)P)ᵢ表示矩阵(nλ)P的平方根的第i列实际实现中通常用Cholesky分解来求。对应权重为W₀ᵐ λ/(nλ)W₀ᶜ λ/(nλ) (1-α²β)Wᵢᵐ Wᵢᶜ 1/(2(nλ)), i1,...,2n3.2 三个参数α、β、κ的工程含义这三个参数在论文公式里经常一带而过但实车调试时它们直接影响估计质量。α决定Sigma点围绕均值的散布范围通常取一个小正数如1e-3到1之间。α越小Sigma点离均值越近对强非线性函数的局部特性刻画越细但数值风险也越大——矩阵平方根在数值上容易出问题。我实测下来α取0.01到0.1之间比较稳妥取1e-3会在协方差较小时触发平方根运算的数值警告。β是分布先验信息的修正项。对于高斯分布β2是最优选择这也是文献里默认值出现频率最高的原因。如果状态分布明显非高斯比如轮胎力在饱和区间的分布出现截断可以尝试β3或4但收益通常有限。κ是一个次级缩放参数高斯情况下常取0或3-n。它的作用在低维问题中比较明显n≥3时影响很小。值得留意的是当κ取负数且绝对值接近n时W₀ᵐ可能变成负值负权重在高维状态下可能让协方差矩阵失去正定性——这是UKF在高维应用中被诟病最多的问题。3.3 标准UKF的预测-校正流程UKF的标准实现分五步我在工程上习惯写成如下伪代码结构初始化给定x₀、P₀、Q、R。时间更新由(x̂ₖ₋₁, Pₖ₋₁)生成2n1个Sigma点将Sigma点逐一通过状态方程得到传播后的Sigma点加权计算先验均值x̂ₖ⁻与先验协方差Pₖ⁻需叠加过程噪声Q。量测更新4. 从(x̂ₖ⁻, Pₖ⁻)重新生成Sigma点这个重新很关键不能直接用时间更新那组点通过量测方程传播计算预测量测均值、新息协方差Sₖ、以及状态-量测互协方差Cₖ 5. 卡尔曼增益Kₖ Cₖ·Sₖ⁻¹状态更新与协方差更新按标准卡尔曼公式完成。第五步里的协方差更新公式我提醒一句UKF的协方差更新可以写为Pₖ Pₖ⁻ - Kₖ·Sₖ·Kₖᵀ理论上等价于Joseph形式。但在数值上Joseph形式更稳定尤其当增益计算因为求逆引入误差时普通形式可能出现协方差轻微不对称。工程代码建议用Pₖ Pₖ⁻ - Kₖ · Sₖ · Kₖᵀ然后在每次迭代末尾做Pₖ (Pₖ Pₖᵀ)/2的对称化操作。3.4 我在用UKF踩过的几个真实坑第一个坑是协方差矩阵失去正定性。多轮迭代后P矩阵可能出现不对称或者特征值趋近于零的情况。原因通常是数值误差积累加上权重存在负值。解决办法有两类一是定期对P做特征值裁剪把过小的特征值钳制到一个下限比如1e-12二是把平方根计算的函数改为带数值保护的版本比如对矩阵做对称正定矫正后再求Cholesky。我在试验中采用了后者效果更稳定。第二个坑是过程噪声Q矩阵的维度匹配。因为在状态向量里加了μQ矩阵必须相应扩维而μ对应的过程噪声方差需要结合路面附着变化的实际速率来设。我初始设的μ过程噪声方差偏小导致在冰面驶入干沥青路面μ从0.2跳到0.8时估计值要三四秒才能跟上去这在控制上是不可接受的。第三个坑是量测噪声R中的轮速噪声被低估。电磁干扰下ABS齿圈信号的高频噪声比标称值大不少R矩阵给小了会让滤波器过分信任轮速测量结果就是状态估计里出现明显的抖动噪声。我后来在实车上采集了怠速滑行和匀速行驶的轮速数据用离线方式统计了噪声标准差再回填到R矩阵里效果有本质提升。4. CKF的容积点策略少了中心点反而更稳4.1 从球面-径向规则到容积点生成CKFCubature Kalman Filter源于基于球面-径向规则的数值积分方法。目标是计算高斯分布下非线性函数的积分它把积分分解为径向部分和球面部分用三阶精度的球面-径向规则近似。对n维标准高斯分布CKF选取2n个容积点ξᵢ √n · eᵢ, i1,...,nξᵢ₊ₙ -√n · eᵢ, i1,...,n其中eᵢ是第i个标准单位向量。对应的权重均匀分布wᵢ 1/(2n), i1,...,2n对于一般高斯分布均值x̂协方差P先对P做Cholesky分解P SSᵀ然后生成实际采样点xᵢ x̂ S·ξᵢ, i1,...,2n可以看到容积点的数量是2n而UKF是2n1。少了一个中心点同时所有点的权重都是正的、相等的。4.2 CKF与UKF的数学关联一个精巧的特例关系理解CKF和UKF的关系是选择它们的重要前提。回顾UKF的参数设置当α1、κ0时λ α²(nκ) - n 0。此时Sigma点的位置为χᵢ x̄ ± √(n·P)ᵢ而两个滤波器的权重对比UKF在λ0时W₀ᵐ 0W₀ᶜ 1-1β β。当β0时W₀ᶜ 0其余2n个点的权重均为1/(2n)。CKF的2n个点权重就是1/(2n)位置也是√n·S的第i列正负方向。也就是说CKF可以看作UKF在α1、κ0、β0时的特殊情形。二者在采样点位置和权重上完全重合少一个中心点并不是CKF的另起炉灶而是UKF参数空间里的一个退化特例。那是不是说CKF就只是UKF的一个参数设置不完全是。关键区别在于CKF的推导是从数值积分理论出发的它的三阶精度是有严格理论保障的不依赖高斯假设下的参数微调。而UKF参数灵活性更大通过调整α、β、κ可以改变采样区间和权重分布在特定问题上有可能超过CKF的精度但这种精度优势是以增加调参难度和数值风险为代价的。4.3 CKF实现流程与数值稳定性优势CKF的实现流程与UKF高度类似同样分时间更新和量测更新但省去了参数设计环节——没有αβκ需要调所有容积点权重等权且为正。这个权重恒正是CKF最核心的数值优势。在高维状态估计中n≥4UKF在λ较小或κ配置不当时W₀ᵐ或W₀ᶜ可能为负值负权重参与协方差加权会导致先验协方差Pₖ⁻偏离真实值甚至出现非正定。而CKF的所有权重恒正协方差矩阵在每次迭代中天然保持半正定性质不需要额外的数值保护手段。在我的三个状态变量v、ω、μ维度下UKF和CKF的数值稳定性差异还不是特别明显但考虑到后续如果把质心侧偏角、横摆角速度也纳入统一估计器n5这个差异会迅速放大。这也是我把CKF纳入对比的核心动机之一不能只在当前维度上选型要看未来扩展路径。CKF的局限同样要说明它需要P矩阵严格正定才能做Cholesky分解如果P矩阵从外部被污染比如初始化给定了一个奇异矩阵CKF会直接报错不像UKF那样还能在容错机制下继续跑。所以CKF代码里一定要做P矩阵正定检查。4.4 CKF代码实现要点伪代码初始化生成基本容积点ξᵢ仅需生成一次运行时复用设定x₀、P₀、Q、R。时间更新对Pₖ₋₁做Cholesky分解 Pₖ₋₁ Sₖ₋₁·Sₖ₋₁ᵀ生成容积点 xᵢ x̂ₖ₋₁ Sₖ₋₁·ξᵢ通过状态方程传播容积点加权得到先验均值与协方差叠加上Q。量测更新4. 对Pₖ⁻重新做Cholesky分解生成新的容积点通过量测方程传播 5. 加权计算预测量测均值、新息协方差、互协方差 6. 计算增益并更新状态与协方差。代码上的核心注意点是Cholesky分解的输入矩阵必须正定建议在分解前加一个对称化步骤和小特征值钳制。仿真和试验中我固定使用numpy的linalg.cholesky并在外部包装了一层保护逻辑一旦分解失败就回退到上一次有效的P矩阵——这个兜底策略在长时间运行时非常有用。5. 冰雪、干沥青、突变路面三种工况下的滤波对比实测5.1 测试工况设计与仿真环境仿真模型基于上一节的单轮动力学方程参数按一台典型的分布式驱动试验车设定参数数值说明四分之一质量 m412.5 kg整车约1.65吨车轮转动惯量 J1.20 kg·m²含电机转子折算惯量滚动半径 r0.326 m225/55R17胎型采样周期 T2 ms控制器任务周期初期状态真值 μ0.20 / 0.80 / 跳变按工况设定三个测试工况覆盖了路面附着系数估计的典型难点工况A低附着路面冰雪μ0.2驱动工况输入力矩带斜坡激励工况B高附着路面干沥青μ0.8驱动与滑行交替工况C突变路面起始μ0.80.5秒时刻突降到0.2模拟车辆从干沥青驶入冰面的瞬间。每个工况下分别运行UKF与CKF统计三个指标附着系数稳态估计误差RMSE、从初始偏差0.3收敛到真值附近所需时间、以及单步滤波的平均计算耗时在相同的笔记本CPU环境下。5.2 低附着工况精度差异显现工况A的低附着路面上驱动激励产生的滑移率较大但由于μ0.2对应的绝对摩擦力较小状态方程中μ的变化对量测的影响不如高附着工况显著两个滤波器的收敛速度都偏慢。结果上看UKF的稳态RMSE约0.031CKF约0.022。差异来源于采样点布局同样数量的采样点情况下UKF因为偏离均值的Sigma点可能落在强力模型的饱和区导致对量测方程的局部近似偏差增大。CKF的所有容积点等权分布对量测函数曲率变化的平均效果更均衡在这个工况下占优。但要注意这个优势不大。在工程上0.03和0.02的RMSE差异对于控制算法来说几乎可以忽略——附着系数的估计值最终都要经过一个限幅和滤波环节才送给上层控制。5.3 高附着工况常规路面上两者趋同高附着工况下驱动输入激励使得滑移率在0.005到0.01之间的小范围内变化。在这个区域轮胎归一化力曲线近似线性整个系统呈现弱非线性。这种条件下UKF和CKF的差异明显缩小RMSE都在0.01量级以内收敛速度也几乎相同。这说明一个道理——滤波器的非线性处理能力差异只有在系统真正进入强非线性区大滑移率、附着饱和才会显现。如果工况设计只包含常规稳定驾驶UKF和CKF选谁都一样真正的瓶颈反而在传感器噪声和模型失配。5.4 突变路面工况收敛速度的硬指标这个工况是最有说服力的。车辆从干沥青μ0.8在0.5秒时刻驶入冰面μ0.2附着系数发生阶跃式下降。UKF的μ估计值在跳变后约1.2秒收敛到真值附近误差0.05CKF约0.9秒。差异主要来自μ过程噪声的建模上CKF因为权重恒正在跳变瞬间先验协方差对状态偏差的信任分配更均匀状态修正量更大。UKF在中心点权重W₀ᶜ偏大的情况下状态更新时对先验的保留倾向更强跳变响应相对钝一些。计算耗时对比在Python环境下UKF单步约1.67msCKF约1.24ms。CKF少了中心点的生成和传播计算量天然低约20%——这个差异在实车嵌入式平台不跑Python而是C语言定点实现上虽然比例相同但绝对耗时会被放大部分因为嵌入式平台的基础数学库效率有限。5.5 数值稳定性的实测观察长时仿真模拟连续5分钟驾驶工况中UKF在第280秒左右出现了一次明显的P矩阵特征值退化导致估计值产生约0.05的瞬间跳变CKF全程稳定P矩阵特征值始终保持在合理范围。这正是前面分析的负权重隐患的体现——不是每次都出问题但长时运行中概率性出现排查起来非常痛苦。从我的测试结果看可以得出几个初步结论低附着区CKF精度略优突变工况收敛略快计算量更省数值稳定性显著更好。UKF的优势在于参数可调性强在某些经过精心调参的工况下能达到略优于CKF的稳态精度但这个优势很依赖调试者的经验和运气。6. 选型与调参把UKF和CKF用在实车控制器上的经验6.1 状态维度是选型的第一依据我的测试结论可以外推到一个更一般的选型规律当状态维度n≤3时UKF和CKF都可以胜任CKF在数值稳定性上的优势更明显建议直接选CKF省去调参烦恼当n≥4时UKF的负权重问题会逐步暴露CKF是更稳妥的选择。但如果你的系统有强非高斯特性例如传感器量测存在明显截断、或者状态存在物理约束边界UKF的β参数修正能力会派上用场。这种情况下可以反过来选择UKF并把β作为重点调参对象。6.2 过程噪声和量测噪声的调参路径滤波器的调参本质上是在信任模型和信任量测之间找平衡。过程噪声Q矩阵反映的是对模型误差的宽容度。附着系数对应的过程噪声方差是最敏感的项设小了估计值平滑但跟不上路面突变设大了估计值对量测噪声的响应被放大抖动明显。我的调试经验是先离线采集一段包含路面突变的历史数据手动标注μ的近似真值然后以小步长扫描μ过程噪声方差选取RMSE最小的那个数量级。量测噪声R矩阵最好用实测数据的离线统计来定而不是从传感器数采手册抄标称值。方法很简单让车辆稳定匀速行驶此时轮速和加速度量的波动基本是噪声采集一段信号计算标准差作为R的对角线元素初值再在实车调试中微调。6.3 量测预处理滤波器的前处理比算法本身更重要实车应用中量测信号的预处理质量对估计结果的影响常常超过滤波器算法选择本身这一点在我测试中感受很深。轮速信号需要先做脉冲计数平滑去抖再做低通滤波。IMU加速度信号需要零点偏移校正和车身倾斜补偿。我最初直接在滤波代码里用原始轮速脉冲计算滑移率结果高频噪声通过量测方程进入状态估计μ的波动幅度大得没法看。加上预处理环节后估计质量立即提升了一个档次。这里要提醒的是预处理滤波器的截止频率要与状态估计器的带宽协调。截止频率太低量测信号的相位滞后会让估计值滞后于真实状态截止频率太高噪声抑制不足。我最终定在15Hz左右与1ms采样周期配合下效果最均衡。6.4 双滤波器融合的进阶思路做完单滤波器对比后我实际上在工程实现中采用了更稳妥的方案不用UKF或CKF的单选框而是让两者并行运行在输出端做基于新息统计的软切换或加权融合。逻辑是这样的CKF在大部分工况下表现稳定作为默认输出UKF的新息幅值可以作为系统是否进入强非线性状态的指示信号。当UKF新息突然增大时说明系统工况发生了变化此时CKF的响应往往更可靠。反过来如果CKF的新息在长时运行中出现异常增长比如P矩阵受污染可以临时切换到UKF输出同时触发CKF的协方差重置。这个融合策略比我单独用任何一个滤波器都更稳。代价是计算量翻倍但由于UKF和CKF单步耗时才毫秒级双滤波器并行在控制器上完全跑得动。后续如果要继续扩展还可以考虑把自适应机制加进去——在线估计Q/R矩阵——但那是另一个复杂度级别的话题了。6.5 实车试验的几个实操建议最后分享几条实车试验的具体经验。第一第一次上车前一定先做离线仿真数据回放测试拿仿真数据验证滤波器代码的数值稳定性别在车上发现问题再下来改代码。第二试验车的轮速传感器齿圈可能存在安装误差导致的等幅波动这个低频分量和路面信息混在一起很难滤除最好的办法是测量并存储每个齿的误差特征做补偿。第三IMU安装位置尽量靠近质心减少横摆和俯仰耦合带来的额外加速度分量。第四给附着系数的估计值做输出限幅比如限在0.05到1.1之间同时加一个一阶低通能避免控制端因为估计值突变做出过激反应。我在实际使用中体会到UKF和CKF的差异在论文图表里会被放大在实车上反而被传感器噪声和模型误差稀释了一部分。如果你正在搭建自己的估计器先把传感器预处理、噪声统计、输出限幅这些基本功做好再回过头对比算法差异会发现很多纠结的问题已经不攻自破。而如果非要在这两个滤波器之间做个取舍我的选择是当前状态维度下CKF的省心程度和稳定性更值得推荐但保留UKF作为并行备份和工况异常判据两者结合才是工程上最稳的答案。