1. 概述
根据具体需求（实时性、计算资源、噪声特性）选择合适的方法，实际应用中常结合多种方法（如UKF与神经网络结合）。
- 传统方法 （KF/EKF/UKF/PF）依赖数学模型，适合动态系统；
- 数据驱动方法 （神经网络）适合复杂非线性问题；
- 混合方法 （如UKF+神经网络）可结合模型先验与数据驱动优势。
| 方法 | 适用系统 | 计算复杂度 | 动态适应性 | 噪声要求 | 典型应用 |
|---|---|---|---|---|---|
| 加权平均法 | 静态 | 低 | 无 | 已知噪声方差 | 温度传感器融合 |
| 卡尔曼滤波 | 线性动态 | 中等 | 强 | 高斯噪声 | 导航系统 |
| 扩展卡尔曼滤波 | 弱非线性 | 中等 | 中等 | 高斯噪声 | 无人机姿态估计 |
| 无迹卡尔曼滤波 | 强非线性 | 较高 | 强 | 高斯噪声 | 自动驾驶目标跟踪 |
| 粒子滤波 | 非线性/非高斯 | 高 | 强 | 任意分布 | 机器人SLAM |
| 互补滤波 | 静态/动态 | 低 | 中等 | 无特殊要求 | IMU与磁力计融合 |
| 协方差交集 | 任意 | 中等</ |
