1. 从卡尔曼到无迹：为什么我们需要UKF？

如果你做过机器人定位、无人机导航或者任何涉及传感器融合的项目，卡尔曼滤波（Kalman Filter, KF）这个名字你一定不陌生。它被誉为“最优估计器”，在状态估计领域有着近乎神话般的地位。但当你真正动手把KF应用到实际项目中，尤其是面对那些非线性系统时，一个巨大的拦路虎就出现了：雅可比矩阵。

标准的卡尔曼滤波（我们称之为扩展卡尔曼滤波，EKF）处理非线性问题的核心思路是“线性化”。它要求你对系统的状态转移方程和观测方程进行泰勒展开，并计算其一阶导数（雅可比矩阵）。这个要求在实际工程中常常让人头疼。首先，很多系统的模型本身就复杂，求导过程繁琐且容易出错。其次，对于高度非线性的系统，一阶近似带来的误差可能非常大，导致滤波结果发散，也就是我们常说的“滤波器跑飞了”。最后，有些系统甚至没有解析的导数形式，比如一些黑盒模型或者查表模型，EKF就完全无能为力了。

那么，有没有一种方法，既能处理非线性问题，又不用求那令人头疼的雅可比矩阵呢？这就是无迹卡尔曼滤波（Unscented Kalman Filter, UKF）诞生的背景。我第一次接触UKF是在做一个四旋翼无人机的姿态估计项目上，当时EKF因为模型线性化误差导致姿态角在快速机动时估计不准，尝试UKF后，稳定性和精度都有了肉眼可见的提升。

UKF的核心思想非常巧妙：它不再对非线性函数进行近似，而是对状态的概率分布进行近似。具体来说，它采用了一种叫做“无迹变换”（Unscented Transform, UT）的技术。UT的思想是，与其去近似一个复杂的非线性函数，不如精心挑选一组有代表性的样本点（在UKF中称为Sigma点），让这些点去“感受”非线性变换。将这些Sigma点通过真实的非线性函数传播后，再对变换后的点集进行统计（计算均值和协方差），就能得到变换后状态分布的近似。这个过程完全避开了求导，是一种“用采样代替求导”的思路。

简单来说，EKF是“我猜函数大概长这样（线性）”，而UKF是“我找几个点去实际走一遍，看看出来是什么样”。后者在处理强非线性时，显然更可靠。接下来，我们就深入UKF的数学原理和代码实现，看看这套“无迹”的魔法是如何运作的。

2. 无迹变换（UT）的数学直觉：如何用几个点“代表”一个分布？

理解UKF，必须先吃透无迹变换。这是整个算法的基石。我们从一个最简单的一维例子开始，建立直观感受。

假设我们有一个随机变量x，它服从正态分布，均值是m，方差是P。现在我们有一个非线性函数y = f(x)，比如y = sin(x)或者y = x^2。我们想知道，经过这个非线性变换后，y的均值m_y和方差P_y是多少？

EKF的做法是：在x = m这一点对f(x)进行一阶泰勒展开，f(x) ≈ f(m) + f'(m)*(x-m)。然后利用线性变换下均值和协方差的传播公式来计算。这相当于用一条直线（切线）来近似整个非线性函数。

UT的做法则截然不同。它说：我们选几个有代表性的x值（Sigma点），把它们代入真实的f(x)得到对应的y值，然后对这些y值进行加权平均，来估计m_y和P_y。关键在于：如何选择这几个点，以及如何给它们分配权重，才能最“忠实”地反映原始分布x ~ N(m, P)的特性？

UKF采用了一套确定性的采样策略。对于一个n维的状态向量，它会选取2n+1个Sigma点。这些点不是随机采的，而是根据状态的均值和协方差矩阵“计算”出来的。它们被设计成能够精确捕获输入分布的前两阶矩（均值和协方差），并且在经过非线性变换后，对输出分布的前两阶矩的估计精度也能达到二阶以上（而EKF只是一阶精度）。

具体的选择公式如下：

首先，计算矩阵平方根。我们需要找到一个矩阵S，使得P = S * S^T。这通常通过对协方差矩阵P进行乔列斯基分解（Cholesky decomposition）来实现。S可以理解为标准差矩阵。

然后，围绕均值m，对称地选取2n+1个点：

X[0] = m X[i] = m + sqrt(n+λ) * S[:, i-1] for i = 1,...,n X[i+n] = m - sqrt(n+λ) * S[:, i-1] for i = 1,...,n

这里的λ是一个缩放参数，λ = α²(n+κ) - n。α控制Sigma点的散布范围（通常取一个很小的正数，如1e-3），κ是一个次要缩放参数（通常设为0或3-n）。sqrt(n+λ)就是缩放因子。

每个Sigma点都对应两个权重：一个用于计算均值（W_m），一个用于计算协方差（W_c）。通常，第0个点（均值点）的权重最大，其他对称点的权重相同。权重公式中包含了λ，并且可以引入另一个参数β（通常为2，用于融合分布的高阶矩信息，对于高斯分布是最优的）。

这个过程听起来有点抽象，但你可以这样想象：状态x的分布像一个n维的椭圆（由协方差矩阵P描述）。均值m是椭圆的中心。我们沿着这个椭圆的每一个主轴方向（由S矩阵的列向量指示），在正反两个方向上，各走一段与轴长度和λ相关的距离，得到一个点。这些点，加上中心点，就构成了能代表这个椭圆形状和位置的“骨架”点集。用这些点去通过非线性函数，就好比让这个椭圆的“骨架”变形，我们再根据变形后的骨架点，重新拟合出一个新的椭圆（输出分布的均值和协方差）。

与蒙特卡洛方法需要成千上万次随机采样相比，UT只用2n+1个点就达到了相当好的近似效果，计算效率极高。这就是UKF“优雅”的地方。

3. UKF算法流程分步拆解：预测与更新的双步舞

掌握了无迹变换，UKF的整个算法流程就清晰了。和所有卡尔曼滤波家族成员一样，UKF也遵循“预测-更新”的经典框架。下面我们结合公式和代码逻辑，一步步拆解。

我们假设系统模型如下：

• 状态方程：x_k = f(x_{k-1}, u_{k-1}) + q_{k-1}，其中f是非线性状态转移函数，q是过程噪声，协方差为Q。
• 观测方程：z_k = h(x_k) + r_k，其中h是非线性观测函数，r是观测噪声，协方差为R。

3.1 初始化

首先，我们需要对状态和协方差进行初始化。这通常基于系统的先验知识。

# 假设状态维度为 n x = np.array([...]) # n维向量，初始状态估计 P = np.eye(n) * 100 # n x n矩阵，初始估计协方差，通常设为一个较大的值表示不确定性大 Q = np.diag([...]) # 过程噪声协方差矩阵，需要根据系统特性 tuning R = np.diag([...]) # 观测噪声协方差矩阵，需要根据传感器特性 tuning

这里的P初始值不能设为全零，否则协方差矩阵会无法更新。Q和R是滤波器最重要的调参对象，Q反映了你对模型信任度，R反映了你对传感器信任度。

3.2 预测步（时间更新）

预测步的目标是利用系统模型，将上一时刻的状态估计向前推演到当前时刻。

步骤1：计算Sigma点根据k-1时刻的后验估计x_{k-1|k-1}和协方差P_{k-1|k-1}，利用上一节介绍的UT公式，生成2n+1个Sigma点X_{k-1}。

def compute_sigma_points(x, P, alpha=1e-3, beta=2, kappa=0): n = len(x) lambda_ = alpha**2 * (n + kappa) - n # 计算矩阵平方根 (n x n) S = np.linalg.cholesky((n + lambda_) * P) # 注意这里乘了 (n+λ) sigma_points = np.zeros((2*n+1, n)) sigma_points[0] = x for i in range(n): sigma_points[i+1] = x + S[i] sigma_points[n+i+1] = x - S[i] # 计算权重 W_m = np.zeros(2*n+1) # 均值权重 W_c = np.zeros(2*n+1) # 协方差权重 W_m[0] = lambda_ / (n + lambda_) W_c[0] = W_m[0] + (1 - alpha**2 + beta) for i in range(1, 2*n+1): W_m[i] = 1 / (2*(n + lambda_)) W_c[i] = W_m[i] return sigma_points, W_m, W_c

注意：实际中，乔列斯基分解可能因为P非正定而失败。工业级代码会包含稳健的矩阵平方根计算，比如使用scipy.linalg.sqrtm或添加一个微小的单位矩阵确保正定性。

步骤2：Sigma点通过状态转移函数将每一个Sigma点X_{k-1}^{(i)}通过非线性状态方程f进行传播，得到预测的Sigma点X_{k|k-1}^{(i)}。

# 假设有状态转移函数 f(x, u) predicted_sigma_points = np.zeros_like(sigma_points) for i in range(2*n+1): predicted_sigma_points[i] = f(sigma_points[i], u) # u 是控制输入

这一步是UKF与EKF的核心区别之一：EKF只将均值点x通过f传播，并用雅可比矩阵近似协方差的传播。而UKF让所有代表分布形状的Sigma点都去“经历”真实的非线性变换。

步骤3：计算预测状态均值与协方差对传播后的Sigma点集进行加权求和，得到k时刻的先验状态估计x_{k|k-1}和先验估计协方差P_{k|k-1}。

# 计算预测均值 x_pred = np.zeros(n) for i in range(2*n+1): x_pred += W_m[i] * predicted_sigma_points[i] # 计算预测协方差 P_pred = np.zeros((n, n)) for i in range(2*n+1): y = predicted_sigma_points[i] - x_pred P_pred += W_c[i] * np.outer(y, y) # 外积 y * y^T P_pred += Q # 加上过程噪声协方差

这里加上Q是关键，它代表了模型的不确定性和未建模动态，使得先验协方差“膨胀”，告诉滤波器要更相信即将到来的观测。

3.3 更新步（测量更新）

更新步的目标是利用当前时刻的实际观测值z_k，来修正预测步得到的结果。

步骤4：根据预测状态，再次计算Sigma点（可选但常见）有些实现会直接用预测的均值和协方差(x_pred, P_pred)生成一套新的Sigma点，用于观测方程的传播。另一种做法是复用预测步中传播后的Sigma点X_{k|k-1}。前者更常见，因为它严格遵循了UT的流程：基于当前的最佳估计（先验分布）进行采样。

# 基于先验估计 (x_pred, P_pred) 生成一套新的Sigma点 sigma_points_pred, W_m, W_c = compute_sigma_points(x_pred, P_pred)

步骤5：Sigma点通过观测函数将Sigma点X_{k|k-1}^{(i)}通过非线性观测方程h进行传播，得到预测的观测Sigma点Z_{k}^{(i)}。

predicted_obs_sigma_points = np.zeros((2*n+1, m)) # m 是观测维度 for i in range(2*n+1): predicted_obs_sigma_points[i] = h(sigma_points_pred[i])

步骤6：计算预测观测的均值与协方差

# 预测观测的均值 z_pred = np.zeros(m) for i in range(2*n+1): z_pred += W_m[i] * predicted_obs_sigma_points[i] # 预测观测的协方差 (Innovation Covariance) P_zz = np.zeros((m, m)) for i in range(2*n+1): y = predicted_obs_sigma_points[i] - z_pred P_zz += W_c[i] * np.outer(y, y) P_zz += R # 加上观测噪声协方差 # 状态与观测的互协方差 P_xz = np.zeros((n, m)) for i in range(2*n+1): x_diff = sigma_points_pred[i] - x_pred z_diff = predicted_obs_sigma_points[i] - z_pred P_xz += W_c[i] * np.outer(x_diff, z_diff)

步骤7：计算卡尔曼增益，更新状态与协方差这一步和标准卡尔曼滤波形式完全一致，只是计算P_zz和P_xz的方法不同。

# 卡尔曼增益 K = np.dot(P_xz, np.linalg.inv(P_zz)) # 实际观测值 z_actual = np.array([...]) # 状态更新 x_updated = x_pred + np.dot(K, (z_actual - z_pred)) # 协方差更新 (Joseph form 更稳定) I = np.eye(n) P_updated = np.dot((I - np.dot(K, H.T)), P_pred) # 简单形式，可能不对称 # 更稳健的约瑟夫形式： # P_updated = np.dot((I - np.dot(K, H.T)), P_pred).dot((I - np.dot(K, H.T)).T) + np.dot(K, R).dot(K.T) # 对于UKF，更常用的是： P_updated = P_pred - np.dot(K, np.dot(P_zz, K.T))

至此，我们就完成了UKF的一次完整迭代。x_updated和P_updated就是k时刻的后验估计，将作为下一轮预测步的输入。

4. 代码实战：手把手实现一个简易UKF滤波器

理论讲得再多，不如一行代码。下面我们用Python实现一个针对一维非线性系统的UKF，来估计一个衰减振荡信号。这个例子非常经典，能直观展示UKF处理非线性的能力。

假设我们有一个简单的非线性系统：

• 状态方程：x_k = sin(x_{k-1}) + q，这是一个非线性状态转移。
• 观测方程：z_k = x_k^2 + r，这是一个非线性观测。 过程噪声q ~ N(0, 0.1)，观测噪声r ~ N(0, 1)。

我们的目标是仅通过带噪声的观测z，来估计真实的状态x。

import numpy as np import matplotlib.pyplot as plt class SimpleUKF: def __init__(self, dim_x, dim_z, Q, R, alpha=1e-3, beta=2, kappa=0): self.dim_x = dim_x # 状态维度 self.dim_z = dim_z # 观测维度 self.Q = Q # 过程噪声协方差 self.R = R # 观测噪声协方差 self.alpha = alpha self.beta = beta self.kappa = kappa self.lambda_ = alpha**2 * (dim_x + kappa) - dim_x # 权重初始化 self.W_m, self.W_c = self._compute_weights() # 状态初始化 (将在第一次更新时进行) self.x = np.zeros(dim_x) self.P = np.eye(dim_x) def _compute_weights(self): n = self.dim_x lambda_ = self.lambda_ W_m = np.zeros(2*n+1) W_c = np.zeros(2*n+1) W_m[0] = lambda_ / (n + lambda_) W_c[0] = W_m[0] + (1 - self.alpha**2 + self.beta) for i in range(1, 2*n+1): W_m[i] = 1.0 / (2*(n + lambda_)) W_c[i] = W_m[i] return W_m, W_c def _compute_sigma_points(self, x, P): n = self.dim_x lambda_ = self.lambda_ # 计算矩阵平方根 # 使用乔列斯基分解，并处理可能的非正定情况 try: U = np.linalg.cholesky((n + lambda_) * P) except np.linalg.LinAlgError: # 如果分解失败，给P加上一个小的正则项 U = np.linalg.cholesky((n + lambda_) * P + 1e-8 * np.eye(n)) sigma_points = np.zeros((2*n+1, n)) sigma_points[0] = x for i in range(n): sigma_points[i+1] = x + U[i] sigma_points[n+i+1] = x - U[i] return sigma_points def predict(self, f, u=None): """预测步 Args: f: 非线性状态转移函数，签名 f(x, u) u: 控制输入 (可选) """ # 1. 生成Sigma点 sigma_points = self._compute_sigma_points(self.x, self.P) # 2. 通过状态转移函数传播Sigma点 n = self.dim_x predicted_points = np.zeros((2*n+1, n)) for i in range(2*n+1): predicted_points[i] = f(sigma_points[i], u) # 3. 计算预测均值和协方差 self.x_pred = np.zeros(n) for i in range(2*n+1): self.x_pred += self.W_m[i] * predicted_points[i] self.P_pred = np.zeros((n, n)) for i in range(2*n+1): diff = predicted_points[i] - self.x_pred self.P_pred += self.W_c[i] * np.outer(diff, diff) self.P_pred += self.Q # 保存预测的Sigma点，可供更新步使用（可选） self.sigma_points_pred = self._compute_sigma_points(self.x_pred, self.P_pred) return self.x_pred, self.P_pred def update(self, z, h): """更新步 Args: z: 观测值，维度 (dim_z,) h: 非线性观测函数，签名 h(x) """ if not hasattr(self, 'sigma_points_pred'): # 如果预测步没有生成新的Sigma点，则基于当前预测生成 self.sigma_points_pred = self._compute_sigma_points(self.x_pred, self.P_pred) n = self.dim_x m = self.dim_z sigma_points = self.sigma_points_pred # 1. 通过观测函数传播Sigma点 predicted_obs = np.zeros((2*n+1, m)) for i in range(2*n+1): predicted_obs[i] = h(sigma_points[i]) # 2. 计算预测观测的统计量 z_pred = np.zeros(m) for i in range(2*n+1): z_pred += self.W_m[i] * predicted_obs[i] P_zz = np.zeros((m, m)) P_xz = np.zeros((n, m)) for i in range(2*n+1): # 观测误差 z_diff = predicted_obs[i] - z_pred P_zz += self.W_c[i] * np.outer(z_diff, z_diff) # 状态与观测的互协方差 x_diff = sigma_points[i] - self.x_pred P_xz += self.W_c[i] * np.outer(x_diff, z_diff) P_zz += self.R # 加入观测噪声 # 3. 卡尔曼增益 K = np.dot(P_xz, np.linalg.inv(P_zz)) # 4. 更新状态和协方差 y = z - z_pred # 新息 (Innovation) self.x = self.x_pred + np.dot(K, y) self.P = self.P_pred - np.dot(K, np.dot(P_zz, K.T)) return self.x, self.P # 定义非线性函数 def f_state(x, u=None): """状态转移函数: x_k = sin(x_{k-1})""" return np.sin(x) def h_obs(x): """观测函数: z_k = x_k^2""" return x**2 # 生成仿真数据 np.random.seed(42) steps = 200 true_state = np.zeros(steps) obs = np.zeros(steps) true_state[0] = 0.5 # 初始真实状态 for t in range(1, steps): true_state[t] = np.sin(true_state[t-1]) + np.random.normal(0, np.sqrt(0.1)) # 加过程噪声 obs[t] = true_state[t]**2 + np.random.normal(0, 1) # 加观测噪声 # 初始化UKF ukf = SimpleUKF(dim_x=1, dim_z=1, Q=np.array([[0.1]]), # 过程噪声方差 R=np.array([[1.0]]), # 观测噪声方差 alpha=1e-3, beta=2, kappa=0) ukf.x = np.array([0.0]) # 初始状态估计 ukf.P = np.array([[1.0]]) # 初始协方差 # 运行滤波 estimated_state = np.zeros(steps) for t in range(steps): # 预测 ukf.predict(f_state) # 更新 estimated_state[t], _ = ukf.update(np.array([obs[t]]), h_obs) # 绘图 plt.figure(figsize=(12, 6)) plt.plot(true_state, 'g-', label='True State', linewidth=2) plt.plot(obs, 'r.', label='Noisy Observation', markersize=4, alpha=0.6) plt.plot(estimated_state, 'b-', label='UKF Estimate', linewidth=1.5) plt.xlabel('Time Step') plt.ylabel('State Value') plt.title('UKF Estimation for Nonlinear System: x_k = sin(x_{k-1}), z_k = x_k^2') plt.legend() plt.grid(True) plt.show()

运行这段代码，你会看到UKF的估计结果（蓝色线）能够很好地跟踪真实状态（绿色线），尽管观测（红点）是非线性且噪声很大的。这个例子清晰地展示了UKF如何绕过雅可比矩阵，直接处理非线性关系。

5. UKF参数调优与工程实践中的坑

理论完美，代码也跑通了，但把UKF应用到实际项目时，你会发现它远非“即插即用”。参数调优和工程实现细节决定了滤波器的成败。下面分享几个我踩过的坑和总结的经验。

5.1 关键参数：α, β, κ 的选择

这三个参数决定了Sigma点的散布和权重。

• α (Alpha): 控制Sigma点围绕均值的散布范围。通常设置为一个很小的正数（如1e-3）。值越小，Sigma点越靠近均值，对非线性函数的近似越“局部化”；值越大（最大为1），则散布越广。对于高度非线性的系统，可以适当调大α（例如0.5到1），让Sigma点能探索到更远的区域，但要注意不能太大，否则会引入不必要的采样误差。我的经验是从1e-3开始，如果滤波器在状态突变时反应迟钝或发散，可以尝试缓慢增大。
• β (Beta): 用于融合分布的高阶矩信息。对于高斯分布，β=2是最优的。对于其他分布，可以调整。在大多数工程应用中，我们默认状态和噪声服从高斯分布，所以β=2是一个安全且常用的选择。
• κ (Kappa): 次要缩放参数，通常设为0或3-n（其中n是状态维度）。κ=3-n的设定是为了让Sigma点的采样与分布的第四阶矩匹配。对于状态维度不高（n<=3）的系统，这个设置比较合理。对于高维系统，我通常直接设为0，让α和β起主要调节作用。

实操建议：除非有特别理由，否则使用默认值(α=1e-3, β=2, κ=0)作为起点。将主要精力放在调Q和R上。

5.2 过程噪声Q与观测噪声R的调参艺术

Q和R是滤波器的“信任杠杆”，是调参的核心。

• 过程噪声协方差 Q：它表示你对状态转移模型f(x)的信任程度。Q越大，表示你认为模型不确定性越大，滤波器会更倾向于相信观测值（新息y的权重更大）。如果你的模型非常精确，Q应该设小；如果模型粗糙或者系统有未建模的动态，Q需要设大。
• 观测噪声协方差 R：它表示你对传感器观测z的信任程度。R越大，表示你认为观测噪声大、不可靠，滤波器会更倾向于相信自己的预测（新息的权重更小）。这需要根据传感器数据手册或实际测试来确定。

如何调参？

1. 理论值优先：如果传感器厂商提供了噪声特性（如标准差σ），则R = diag(σ²)。过程噪声Q可以根据系统物理特性或仿真来估计。
2. 新息序列检验：这是最实用的方法。新息（Innovation）y = z - z_pred在滤波器最优时，应该是一个零均值的白噪声序列。你可以运行滤波器一段时间，然后计算新息序列的均值（应接近0）和自相关（应只在0滞后处有峰值）。如果均值偏离0，可能Q或R的比值不对；如果自相关非白，可能模型结构有问题或Q设小了。
3. 试错法：这是一个经验过程。如果滤波器估计结果过于平滑，跟不上真实状态的变化（“滞后”），说明滤波器太相信模型了，可以尝试增大Q或减小R。如果估计结果抖动非常厉害，对观测噪声过于敏感，说明滤波器太相信观测了，可以尝试减小Q或增大R。

5.3 数值稳定性：协方差矩阵的正定性保障

这是UKF实现中最容易出问题的地方。在计算P_pred和P_updated时，由于浮点数误差和权重可能为负（当λ为负时），协方差矩阵可能失去正定性，导致下一次迭代的乔列斯基分解失败。

防御性编程技巧：

1. 使用约瑟夫形式更新协方差：在更新步，使用P = (I-KH)P_pred(I-KH)^T + KRK^T的形式，虽然计算量稍大，但能保证对称正定性。我在代码示例中使用了简化形式P = P_pred - K P_zz K^T，这在数值上可能不稳定。
2. 对协方差矩阵进行强制对称化：每次更新后，执行P = (P + P.T) / 2。
3. 在乔列斯基分解前添加正则项：如果分解失败，在矩阵P上加上一个很小的单位矩阵ϵI（如1e-8），如代码示例中的try-except块所示。
4. 使用平方根UKF (SR-UKF)：这是更高级、更稳定的实现。它直接对协方差矩阵的平方根进行更新，避免了协方差矩阵本身可能出现的非正定问题。工业级代码（如机器人操作系统ROS中的robot_localization包）通常会采用SR-UKF或其变种。

5.4 UKF与EKF、粒子滤波的对比与选型

最后，我们聊聊什么时候该用UKF。

• vs. 扩展卡尔曼滤波 (EKF)：
  • 优势：UKF无需计算雅可比矩阵，实现更简单，尤其适用于导数难求或不可求的系统。对于中度非线性系统，UKF的估计精度通常优于或等于EKF，且稳定性更好。
  • 劣势：计算量比EKF大。EKF需要计算O(n²)量级的雅可比矩阵并相乘，而UKF需要2n+1次函数评估。对于状态维度n很高的系统（如大型SLAM问题），UKF的计算成本可能成为瓶颈。不过，对于n在10以下的大多数嵌入式系统（如无人机、机器人），2n+1次评估的代价是可以接受的。
• vs. 粒子滤波 (PF)：
  • 优势：UKF是确定性采样，只用2n+1个点，计算效率远高于需要数百上千个粒子的PF。UKF对于高斯噪声的假设下，是最优或次优的。
  • 劣势：UKF基于高斯假设。如果真实状态分布是高度非高斯、多模态的（比如机器人 kidnapped problem），UKF会失效，因为它用一个高斯分布去近似，会丢失多峰信息。而粒子滤波没有这个限制。

选型指南：

• 如果你的系统非线性程度一般，且状态噪声基本符合高斯分布，EKF是首选，因为它最成熟、计算量最小。
• 如果你的系统非线性较强，但维度不高（n<10），且仍可假设为高斯分布，UKF是更好的选择，它能提供更稳定、更精确的估计，且实现上避免了求导的麻烦。
• 如果你的系统状态分布明显非高斯（多峰、强偏态），或者模型极度非线性，那么应该考虑粒子滤波或其他非线性滤波方法。

在我个人的工程经验里，UKF在无人机姿态估计（融合IMU和磁力计）、车辆定位（融合GPS、IMU、轮速计）等场景中表现非常出色，它很好地平衡了精度、稳定性和实现复杂度。当你被EKF的雅可比矩阵搞得焦头烂额时，试试UKF，或许会有惊喜。