EKF（擴展卡爾曼濾（lǜ）波器）在AGV小車（自動導引（yǐn）車）係統中的工作原（yuán）理主要分為以下幾個步（bù）驟：
預測階段
狀態預測：根據（jù）AGV小車的運動學模型，利用上一時（shí）刻的狀（zhuàng）態估計值和控製輸入，預測當前時刻的狀態。例如，對於一個在平麵上運動的AGV小車，其（qí）運動學模型可能包括位置、速度（dù）和方向等狀態變（biàn）量，通過上一時刻的位置、速度和方向，以及當前時刻的控製輸入（如速度指令、轉向指令等），可以預測出（chū）當前時刻的位（wèi）置、速度和方向（xiàng）。
協方差預測（cè）：考慮係統的過程噪聲，對（duì）狀（zhuàng）態（tài）協方差矩（jǔ）陣進行預測，以反映狀態估計的不確（què）定性（xìng）。過程噪聲（shēng）通常（cháng）是由於模型的不精確、外（wài）部幹擾（rǎo）等因素引起的，通過預測（cè）協方差矩陣，可以量化這種（zhǒng）不確定性，並在後續的更新階段中進行修正。
更新階段
觀測預測：根據預測的（de）狀態值，利用觀測（cè）模型計算（suàn）出觀測值的預測值。觀測模型描（miáo）述了觀測值與狀態變量之（zhī）間的關（guān）係，例如，對於使（shǐ）用激光雷達進（jìn）行定位的（de）AGV小車，觀測模型可以根據預測的位（wèi）置和方向，計算出激光雷達應該觀測到的周圍（wéi）環境的特征。
計算（suàn）卡爾（ěr）曼增益：根據觀測噪聲協方差矩陣和（hé）預測協方（fāng）差（chà）矩陣，計算卡（kǎ）爾曼增益，用於權衡觀測值和預測（cè）值的（de）權重。卡爾曼增益的大小取決於觀（guān）測（cè）噪聲和預測噪聲的相（xiàng）對大小，當觀測噪聲較小時，卡爾曼增益（yì）較（jiào）大，觀測值的權重較大；當預測噪聲較小時，卡爾曼增益（yì）較小（xiǎo），預測值的權重較大。
狀態更新（xīn）：將觀測值與觀測預測值的差值乘以卡爾曼增益，得到狀態更新量，將其加到預測的狀態值（zhí）上，得到當前時（shí）刻的（de）狀態估計值。這樣（yàng）可以（yǐ）利用觀測值對預測的狀（zhuàng）態進行修（xiū）正，提高狀態估計的準確性。
協方差更新：根據卡爾曼增益（yì）和觀測噪聲協方差矩陣（zhèn），對狀（zhuàng）態協方差矩陣進行更新，以反映更新後（hòu）的狀態估計的（de）不確定性。更（gèng）新後的協方差矩陣會變小，說明狀態估計的不確定性降低了。
迭代過程
EKF通過不斷地重複預測和更新步驟，隨著時間的推移（yí），逐步提高狀態估計的準確性（xìng）。在每次迭代中，都會根據（jù）新的觀測值對狀態估（gū）計進行修正，同時考慮係（xì）統的動態（tài）特性和觀測噪聲，從（cóng）而實現對AGV小車狀態的實時估計（jì）和跟蹤。
線性（xìng）化處（chù）理
由於（yú）AGV小車係統的運動方程和觀測方（fāng）程往往是（shì）非線性的，EKF通過對非線性函（hán）數在估計值附近進行泰勒級數展開，並忽略二（èr）階及以上的高階項（xiàng），從而將非線性問題近似為線（xiàn）性問題，能夠在（zài）一定程度上處理非線性（xìng）問題，在非線性程度不是特別高的情況下，相（xiàng）比KF能夠得到更準確的狀態（tài）估計。
