过程噪声与测量噪声

当机器人试图追踪一个它无法直接看到的东西——它真实的位置、它真实的速度——它会依靠两幅关于世界的图景，而每一幅都自带某种模糊。一幅图景是预测：「根据我之前的运动方式，我现在大致应该在这里。」另一幅是观测：「我的传感器刚刚告诉我，我在那边。」两者都不完美，而这两种不完美各有其名。过程噪声是预测里的那份偏差——真实世界拒绝乖乖遵循机器人所用的那条整洁规则的种种小方式。测量噪声则是观测里的那份偏差——传感器误报自己所见的种种小方式。

过程噪声来自这样一个事实：预测步骤依赖于一个把运动方式简化了的模型，而现实总会在这个模型之外游走一点：车轮打滑、一阵风推了无人机一把、电机比指令多使了那么一丝劲。它是运动本身的不确定性——「我假定我会怎么动」与「我实际怎么动了」之间的落差。相比之下，测量噪声是「看」这件事里的不确定性：GPS 抖动了几米、摄像头糊了、温度计在真实温度附近晃来晃去。机器人的实际状态也许稳稳当当，可传感器每次去查，递回来的数字仍会略有不同。

把这两者区分开来，正是卡尔曼滤波器这类滤波器运作的核心所在，因为滤波器必须裁定：自己的预测，相对于一次新鲜的传感器读数，该信几分。如果它认为运动模型可靠、而传感器跳来跳去，它就倚重预测，对那条带噪声的读数一笑置之；如果传感器清晰、而运动难以预料，它就转而倚重测量。把这两种噪声的平衡拿捏对了，估计就能保持平滑又准确；拿捏错了，机器人要么追着传感器的每一次抽动跑，要么固执地无视真实世界。