除了卡尔曼滤波算法，还有哪些算法可以用来做里程计与惯导的数据融合

在机器人导航与 SLAM（同步定位与地图构建）领域，里程计与惯导（IMU）的数据融合是提升定位精度的关键技术。除了经典的卡尔曼滤波算法（KF）外，以下几类算法也被广泛应用于该场景，它们在不同应用场景下各有优势：

一、扩展卡尔曼滤波（EKF，Extended Kalman Filter）

核心原理

• 针对非线性系统，将状态转移方程和观测方程在当前状态点进行泰勒一阶展开（线性化），再套用卡尔曼滤波框架。
• 适用场景：里程计（如轮式里程计、视觉里程计）与 IMU 的非线性融合（如机器人旋转运动）。

优势与局限

• 优势：计算效率高，适用于实时性要求强的场景（如移动机器人）。
• 局限：线性化过程可能引入误差，对强非线性系统收敛性较差。

二、无迹卡尔曼滤波（UKF，Unscented Kalman Filter）

核心原理

• 采用 “无迹变换”（Unscented Transform），通过选取一组采样点（Sigma 点）直接传递概率分布，避免 EKF 的线性化误差。
• 数学逻辑：用确定性采样点近似状态分布，更准确处理非线性函数的均值和协方差。

应用案例

• 视觉里程计（VO）与 IMU 融合：处理相机投影模型的非线性（如透视变换）。
• 无人机定位：融合 GPS、视觉里程计与 IMU，提升动态场景下的稳定性。