鲁道夫·卡尔曼 (Rudolf E. Kálmán, 1930-2016)

一、出身——从布达佩斯到美国

1930年5月19日，匈牙利布达佩斯。一个犹太家庭迎来了一个男婴——鲁道夫·卡尔曼。

他的童年被纳粹的阴影笼罩。二战期间，15岁的卡尔曼和家人被送往集中营。他幸存了——但十几岁的经历在他身上留下了不可磨灭的烙印。

1945年战争结束后，卡尔曼做出了一个改变他命运的决定：离开欧洲，前往美国。1947年他进入麻省理工学院（MIT），1954年获得硕士学位，1957年获得哥伦比亚大学博士学位。

他的博士论文题目很抽象——《微分方程系统的分析》——但在其中埋下了他将要在1960年代引爆的核心思想：状态空间法。

卡尔曼与匈牙利科学家的谱系

卡尔曼属于匈牙利科学家谱系中更年轻的一代——与冯·卡门（1881年生）、冯·诺伊曼（1903年生）不同，他经历了二战并在美国完成了大学教育。他的数学风格深受冯·诺伊曼的影响——高度抽象、追求优雅的数学表述、同时极具工程直觉。

二、1960年的革命——两个问题，一个解法

1960年，30岁的卡尔曼在巴斯尔（Basel）的一个控制会议以及随后的论文中，先后发表了两个紧密相关的思想。它们各自改变了相应领域的走向——而且本质上是同一个数学框架的两个方面。

2.1 问题一：从噪声中提取系统的真实状态

卡尔曼滤波器（Kalman Filter, 1960）：

x^k∣k=x^k∣k−1+Kk(zk−Hkx^k∣k−1) \hat{\mathbf{x}}_{k|k} = \hat{\mathbf{x}}_{k|k-1} + \mathbf{K}_k(\mathbf{z}_k - \mathbf{H}_k\hat{\mathbf{x}}_{k|k-1}) Kk=Pk∣k−1HkT(HkPk∣k−1HkT+Rk)−1 \mathbf{K}_k = \mathbf{P}_{k|k-1}\mathbf{H}_k^T(\mathbf{H}_k\mathbf{P}_{k|k-1}\mathbf{H}_k^T + \mathbf{R}_k)^{-1}

这是一个迭代算法：先根据系统模型预测 tkt_k 时刻的状态，再用 tkt_k 时刻的观测值修正这个预测。

为什么它是革命的？

  • 以前用维纳滤波器处理信号，但维纳滤波器假设信号是平稳的（统计特性不随时间变化）
  • 卡尔曼滤波器处理非平稳信号，从它的迭代更新步骤中也可以看出
  • 维纳滤波器需要处理所有过去的数据，卡尔曼滤波器只保留了协方差矩阵 PP 作为”记忆”

2.2 问题二：如何让一个系统在最优控制的意义上运行

线性二次型调节器（Linear Quadratic Regulator, LQR, 1960）：

J=∫0∞(xTQx+uTRu)dt J = \int_0^\infty (\mathbf{x}^T\mathbf{Q}\mathbf{x} + \mathbf{u}^T\mathbf{R}\mathbf{u}) dt

最优控制律为：

u∗=−Klqrx \mathbf{u}^* = -\mathbf{K}_{\text{lqr}} \mathbf{x}

其中 Klqr=R−1BTP\mathbf{K}_{\text{lqr}} = \mathbf{R}^{-1}\mathbf{B}^T\mathbf{P}，而 P\mathbf{P} 满足代数黎卡提方程（Algebraic Riccati Equation, ARE）：

ATP+PA−PBR−1BTP+Q=0 \mathbf{A}^T\mathbf{P} + \mathbf{P}\mathbf{A} - \mathbf{P}\mathbf{B}\mathbf{R}^{-1}\mathbf{B}^T\mathbf{P} + \mathbf{Q} = 0

卡尔曼的洞察：LQR的最优控制器是状态反馈 u=−Kx\mathbf{u} = -\mathbf{K}\mathbf{x}——这意味着你必须知道系统的完整状态。但通常我们只能测量部分状态——所以需要卡尔曼滤波器来做状态估计。

这样两个问题就自然地连在一起了：先用滤波器估计状态，再用LQR计算控制量。

三、关于卡尔曼滤波器的工程故事

3.1 阿波罗导航计算机

1960年代初，卡尔曼滤波器刚发表时，在控制领域引起了轰动——但也遇到了阻力。很多工程师认为这个方法”过于数学化”、”不实用”。

一个著名的故事：卡尔曼在NASA做报告时，一位工程师质疑说：”你的滤波器需要矩阵求逆——这在实时系统上根本做不到。”

但NASA的阿波罗计划的首席导航设计师经过仔细研究后，决定在阿波罗导航计算机上实现卡尔曼滤波器。结果是——阿波罗11号正是依靠卡尔曼滤波器在太空中进行实时导航，精确地飞向了月球。

那个”矩阵求逆太慢”的问题被计算机科学家们解决了——1960年代的数字信号处理芯片逐渐能够实时完成矩阵计算。

3.2 卡尔曼滤波器的”双胞胎”

卡尔曼滤波器有两种形式：

形式 适用场景 特点
标准卡尔曼滤波器 线性系统、高斯噪声 解析解，计算量小
扩展卡尔曼滤波器 (EKF) 非线性系统（线性化后） 用雅可比矩阵在估计点处线性化

EKF由史密斯（Smith）等人提出，后来被用于无人机导航、GPS/IMU融合、机器人定位（SLAM）。

四、卡尔曼在博客中出现的场景

博客文章 卡尔曼的出现方式
四旋翼飞行动力学建模 状态空间模型：x˙=Ax+Bu\dot{\mathbf{x}} = \mathbf{A}\mathbf{x} + \mathbf{B}\mathbf{u}
Stevens飞行器控制与仿真（一） 状态空间方程、传递函数、可观测性与可控性
无人机飞控中的传感器融合 GPS+IMU的姿态/位置估计——卡尔曼滤波器的经典应用
PID控制和现代控制理论 LQR与PID的对比——为什么LQR更优
截击无人机制导算法 目标状态估计（位置、速度、角速度）
概念 博客中位置 含义
状态空间 飞行动力学建模 x˙=Ax+Bu\dot{\mathbf{x}}=\mathbf{Ax}+\mathbf{Bu}
可观测性 传感器布局 卡尔曼滤波器能否估计所有状态
可控性 执行器配置 飞控系统能否实现期望的控制
代数黎卡提方程 LQR设计 最优控制的数学表达
协方差矩阵 PP 滤波器更新 估计精度的时间演变

五、卡尔曼的数学风格与性格

卡尔曼是一个极具自信、甚至有些强势的数学家。他的论文风格以”宣告性”著称——不是在记录发现，而是在宣布真理。

关于卡尔曼的一个轶事：他在1960年控制会议上做报告时，台下坐着控制理论的泰斗们。他讲完后，有人说：”你的滤波器的收敛性证明在哪里？”

卡尔曼回答：”如果它不收敛，它就不是我的滤波器。”

这种自信在工程界不总能被接受——但卡尔曼是对的。

他的工作风格：与李雅普诺夫的”闭门造车”完全相反——卡尔曼通过频繁的会议、讲座和通信传播他的思想。他把控制理论从”每个问题单独设计”变成了”有普适数学框架的工程学科”。

六、与李雅普诺夫的对比

对比维度 李雅普诺夫（1857-1918） 卡尔曼（1930-2016）
时代背景 19-20世纪之交的俄罗斯 20世纪中期的美国
核心贡献 稳定性分析工具 状态估计+最优控制
工作方式 独立研究、发表后默默等待 积极传播、推动工程应用
命运 死于贫困与革命 获得无数荣誉，1990年IEEE Medal of Honor
理论的传播速度 40年后才在工程中广泛使用 10年内在阿波罗计划中实现
现代影响 控制理论的理论基础 工程中的标准工具箱

七、影响与传承

卡尔曼的工作改变了一切——从巡航导弹到手机导航，从自动驾驶汽车到无人机编队飞行，从股票预测到天气预报。

卡尔曼滤波器在今天：

  • 无人机GPS/IMU融合——每一架飞控的必配算法
  • 汽车发动机的燃油喷射控制
  • 机器人定位和地图构建（SLAM）
  • 气象预报中的数据同化
  • 金融时序分析和预测

他后来的工作：1960年代后期，卡尔曼转向代数系统理论——研究非线性系统的精确线性化。但他1960年的两篇论文至今仍是引用最多的控制理论文献之一。

参考文献

  1. Kalman, R. E. (1960). “A New Approach to Linear Filtering and Prediction Problems.” Journal of Basic Engineering, 82(1), 35-45. — 卡尔曼滤波器的原始论文
  2. Kalman, R. E. (1960). “Contributions to the Theory of Optimal Control.” Boletín de la Sociedad Matemática Mexicana, 5, 102-119. — LQR的原始论文
  3. Kalman, R. E. & Bucy, R. S. (1961). “New Results in Linear Filtering and Prediction Theory.” Journal of Basic Engineering, 83(1), 95-108. — 连续时间卡尔曼-布西滤波器
  4. Grewal, M. S. & Andrews, A. P. (2015). Kalman Filtering: Theory and Practice with MATLAB (4th ed.). Wiley. — 卡尔曼滤波器的现代工程教材
  5. Maybeck, P. S. (1979). Stochastic Models, Estimation, and Control (Vol. 1). Academic Press. — 卡尔曼滤波器在航空航天中的应用

在卡尔曼的壮年，另一场革命正在发生——信息论。16年前，一个26岁的贝尔实验室工程师发表了一篇论文《通信的数学理论》，定义了”熵”如何度量信息含量。他叫克劳德·香农——一个靠杂耍实验和跷跷板思考问题的天才。香农不知道的是，他的信息论在30年后成为深度学习的基础——从交叉熵损失函数到变分自编码器，香农的框架无处不在。