如果您要进行模拟，这对我来说很有意义，因为您需要在模拟测量中添加噪声以使其随机。但是，当使用真实的机器人数据时呢？是测量中已经存在了噪声，因此不需要添加噪声，还是噪声矩阵意味着其他含义？例如，在概率机器人技术（第319页）中，有一个测量模型：$ z_t ^ i = h（y，j）+ Q_t $，其中$ Q_t $是噪声协方差。使用真实数据时是否需要计算$ Q_t $？
#1 楼
在实际的机器人上使用EKF（或标准KF）时，您将要告诉滤波器每次测量以及过程中会有多少噪声。目的是为了卡尔曼滤波器可以决定对每个数据源“信任”的程度，因此可以决定在最终估算中对每个测量值进行加权。
对于真实的机器人数据，噪声已经在测量中。我认为当您说“噪声矩阵”时，是指协方差矩阵。这并不是实际的噪声本身，而是噪声协方差矩阵描述了噪声的大小（卡尔曼滤波器可以预期），以及噪声的正态分布中不同噪声项之间的相关性。通常，您将需要尽可能精确的噪声协方差，但是可以简单地对其进行估算。在处理实际数据时，您可以执行快速实验来估计噪声协方差，或者也可以通过参考数据表来估计它，或者选择一个比较合理的值。在没有可用数据太多的地方，协方差通常是对角矩阵（即无相关性）。协方差矩阵的对角元素也称为方差。这意味着您要告诉卡尔曼滤波器，不同噪声源的方差是多少（噪声的标准偏差的平方）。
另一方面，您想知道为什么这些模型与卡尔曼滤波器可能具有噪声项（与噪声协方差相对），它们只是模型，而这些方程式实际上并未在算法中使用。该算法使用的方程式将具有表示噪声协方差（不是实际噪声-未知）的项，该项通常保持在线估计。