在AGV小車係統中，擴展卡爾曼濾波器（EKF）和標準卡爾（ěr）曼濾波器（KF）的區別主要體現在（zài）以下幾個方麵：
適用係（xì）統
KF：主要處理線性係統，即係統（tǒng）的狀態轉移方程和觀測方程（chéng）都可以用線性關係來描述。例如在一些簡單的AGV小車導航場景中，車輛的運動可以近似（sì）為勻速（sù）直線運動，傳感器（qì）的觀測值（zhí）（如位置（zhì）、速度等）與係統狀態之間也存在線性關係，此時KF能夠有（yǒu）效地對係統狀態進行最優估計。
EKF：適用於非（fēi）線性係統的狀態估計。在AGV小車係統中，車輛的運動方程和觀測方程往（wǎng）往是（shì）非線性的，例如車輛的轉向、加速、減速等動作（zuò）會導致運動（dòng）狀態（tài）的非線性變化，傳感器的測（cè）量模型也（yě）可（kě）能存在非線性關係，這時候就需要使用EKF來處理（lǐ）。
原理
KF：以最小均方誤差為估（gū）計的最（zuì）佳準則，通過信號與噪聲（shēng）的狀態空間模型，利用前一時刻的估計（jì）值和現時刻的（de）觀測值來更新對狀態變量（liàng）的估計，從而求（qiú）得現時刻的最（zuì）優估計值。其基本思想可（kě）以概括為預測和更新兩個步（bù）驟。預測階段根據前一個狀態預測下一個狀態，包括位置和相（xiàng）應的協方差矩陣。更新階段則通（tōng）過觀測數據對（duì）預測結果進行修正，得到最終的狀態估計。
EKF：是KF的擴展形式，其基（jī）本原理是將非線性函數在估計值附近（jìn）進行泰勒級數展開，並忽（hū）略二（èr）階及以上的高階項，從而將非（fēi）線性（xìng）問題近似為線性問題。然後，利用KF的框架進行狀態估計，也包括預測和更新兩個步驟。在預測步（bù）驟中（zhōng），根據上一（yī）時刻的狀態估計值（zhí）和（hé）控製輸入，預測當前時刻的狀（zhuàng）態值；在更新步驟中（zhōng），根據當前時刻的觀測值和（hé）預測值，計算卡爾曼增益，並（bìng）更新狀態（tài）估計（jì）值。
精度
KF：在處理線性係統（tǒng）時，能夠得到較為精確的狀態估計。但對於非線性係統，由於其假設係（xì）統是線性的，當係統存在非線性特性時，直接使用KF可能會導致較大的估（gū）計誤差，甚至無（wú）法準確估計係統狀態。
EKF：通過對（duì）非（fēi）線性係統進行線性化近似，能夠（gòu）在一定程度上處理非線（xiàn）性問題，在非線性程度不是特別高的情況下，相比KF能夠得到更（gèng）準確的（de）狀態估計。但由於其線性化過程會引入（rù）一定的誤差，當係統的非線性程度較高時，線性化誤差可能會累積，導致估計精度下降。
計算量
KF：算法相對（duì）簡單，計算（suàn）量較小，比較容易滿足實時計算的（de）要求，適合在對實時（shí）性要求較高且計（jì）算資源有限的AGV小車係統中應用。
EKF：需要對非線性函數進行（háng）泰勒級數展開和求導等操作，計算過（guò）程相對複雜，計算量比KF大。在（zài）一些對實時性要求較高的AGV小車係統（tǒng）中，可能需要對算法進行優化（huà），以減少計算量，滿足實（shí）時性要求。
應用場景
KF：適用於線性（xìng）度較好，或者對精度要（yào）求不高的AGV小（xiǎo）車係統。例如在（zài）一些簡單的、運動較為平穩的AGV小車導航場景中，KF可以滿（mǎn）足基本的狀態估計需求。
EKF：更適合非線性程度較高，對（duì）精度要（yào）求較高的AGV小車係統。例如在複雜的AGV小車運動場景中，車輛需要（yào）頻繁轉向、加速、減速，或者在存在複雜環境幹擾的情況下，EKF能夠更好地處理非線性問題，提供更準確的（de）狀態估計，從而提高AGV小車的導航精度（dù）和穩定性（xìng）。
