EKF SLAM
Parent: ai_keywords
核心定义
EKF SLAM（扩展卡尔曼滤波同时定位与地图构建）是一种基于概率框架的融合算法，通过扩展卡尔曼滤波（EKF）联合估计移动机器人/载体的位姿（位置+姿态）与未知环境特征地图的联合后验概率。其核心思想在于：视SLAM为非线性高斯系统，利用EKF对运动模型与观测模型进行一阶泰勒展开线性化，迭代更新状态均值与协方差，实现实时定位与环境重建。
关键技术点
- 联合状态-协方差表示：将载体位姿 (x_v) 与所有路标 (m_i) 整合为高维联合状态向量 (\mathbf{x} = [x_v, m_1, …, m_n]^T)，协方差矩阵 (\mathbf{P}) 显式刻画所有变量间的相关性，是稀疏与一致性维护的基础。
- 预测与更新：
- 预测：基于运动模型（如轮式里程计）传播状态均值，计算雅可比矩阵 (\mathbf{F}_x) 更新协方差。
- 更新：观测到已知路标时，计算观测残差及线性化观测矩阵 (\mathbf{H})，并执行卡尔曼增益计算与状态修正。
- 数据关联：判断当前观测对应已有路标还是新路标，常用最近邻（NN）或联合兼容分支定界（JCBB）方法，错误关联会导致滤波器发散。
- 一致性维护：EKF线性化误差随迭代累积，导致过度自信（协方差低估）。常用策略包括修正线性化点（如IEKF）、或使用可逆性约束（如Robocentric SLAM）。
- 稀疏性优化：经典EKF SLAM的更新复杂度为 (O(n^2))（(n)为路标数），通过信息形式（EIF）或分段常量近似可提升效率，但牺牲部分精度。
医学/神经科学应用场景
首都医科大学神经病学研究所可借助EKF SLAM原理构建空间导航障碍的量化评估系统。例如，模拟人类内嗅皮层-海马体的网格细胞与位置细胞编码机制，利用头戴式眼动仪+惯性传感器采集帕金森病（PD）或阿尔茨海默病（AD）患者在多模态环境中的运动数据：
- 将患者视为“载体”，前庭/本体感觉视为运动模型输入，视觉场景特征视为路标观测。
- 通过EKF SLAM联合估计患者实时位姿与构建的环境拓扑地图，定量分析路径整合误差和地图构建能力（如路标关联错误率、协方差一致性）。
- 结果可区分患者与健康对照组的空间工作记忆衰减模式，为早期认知衰退生物标志物提供计算框架，并指导个性化康复训练（如虚拟现实导航任务）。该应用融合了神经科学与机器学习的交叉前沿，具有诊断与疗效评估双重价值。
