線性濾波與預測問題的新方法
在雜訊中追蹤真相：把每一次預測，與下一個並不完美的測量，融合起來。
你的手機知道你在哪兒，靠的既不是全然相信地圖，也不是全然相信 GPS——它把「你應該在哪兒」的預測，與每一次「你看起來在哪兒」的帶雜訊讀數，融合在一起。
核心想法
假設你想知道某個一直在變的量——一架飛機在哪兒、一枚火箭爬升得多快——可你拿到的每一個測量，都被雜訊弄花了。你可以乾脆相信最新那個讀數，但它在抖；你也可以不理讀數、只信「事情應該如何」的預測，但預測會漂。卡爾曼濾波兩樣都不選，又兩樣都要：每一刻，它先做一個預測，再取一個測量，最後落在兩者的加權融合上。
巧妙的正是這個權重。感測器可靠，就多靠測量；測量很吵，就多靠預測——而該如何拿捏，濾波器會依據「自己當前有多不確定」自動算出來。然後它更新這份不確定，再向前滾動一步。就這麼一小段循環，反覆地跑，便把一串糟糕的測量，化作一個穩穩變好的估計。
它是如何誕生的
到 1950 年代，把雜訊從訊號裡濾掉的數學，其實已經有了：諾伯特·維納與安德雷·柯爾莫哥洛夫在戰時為高射炮瞄準而建起了它（wiener-1948）。但他們的方法，要求訊號的統計性質永不改變、要用上資料的全部歷史、還要解一道棘手的積分；它很美，卻對一架運動每秒都在變的飛行器幾乎無從下手。
魯道夫·卡爾曼，一位生於匈牙利、在巴爾的摩一家小研究所工作的工程師，把問題重新框定。他不再在「跨越全部時間的頻率」裡打轉，而是用系統的狀態——位置、速度，凡是要緊的量——來描述它，讓它一步步向前行進。濾波於是變成了一段計算機能即時跑起來的簡單遞推。控制論的主流起初將信將疑，論文幾乎被拒；然後，1960 年，卡爾曼把它講給了 NASA 艾姆斯的斯坦利·施密特聽，後者一眼就看出：它能把阿波羅導航到月球——這套方法的前途，就此定下。
它為何重要
它把「最優估計」變成了你真能算出來的東西——在當年並不強大的機器上，為那些會動、會變的系統而算。正因如此，它才從期刊裡掙脫出來，去到一切「即時決策要騎在雜訊資料上」的地方：太空船、飛機、輪船，乃至最終你口袋裡的 GPS 晶片與運動感測器。很少有方程，做過這麼多默默無聞的活兒。
一個可以想像的畫面
想像你在濃霧裡開車，速度表還不太靠譜。你心裡一直存著一個關於「我在哪兒、開多快」的持續感覺，並據此預測一秒後會到哪兒。每隔一會兒，一塊路牌從霧裡冒出來——那是一次帶雜訊的測量。你不全信路牌，也不全信自己的猜測；你取個折中，朝當前更信得過的那一邊靠一點，然後帶著更清晰的位置感繼續開。這個一邊走、一邊自我修正的融合，就是卡爾曼濾波。
它的位置
卡爾曼濾波，是維納戰時濾波（wiener-1948）的遞迴繼承者，也與貝葉斯（bayes-1763）同氣連枝——每一次測量都在更新一個信念——只是被改寫成了面向運動目標、面向即時計算機的樣子。往下游走，它是現代導航的引擎，也是今天機率時間序列模型與機器人感測器融合的一塊基石。當一輛自動駕駛汽車，把許多雜訊訊號融成對世界的一個估計時，它腳下踩著的，正是這條 1960 年的循環。