EKF（擴展卡爾曼濾波器）在AGV小車（自動導引車（chē））係統中的工作原理主要分為以下幾個步驟：
預（yù）測階段
狀態預測：根據AGV小車的（de）運動學模型，利（lì）用上（shàng）一時（shí）刻的（de）狀態估計值和控（kòng）製輸入，預測（cè）當前時刻（kè）的狀態。例如，對於一個（gè）在平麵上運動（dòng）的AGV小車，其運動學模型可能包括位置、速度和（hé）方向等狀態變（biàn）量，通過上一時刻的位（wèi）置、速度和方向，以及當前時刻的控製輸入（如速度指令、轉（zhuǎn）向指令等），可以預測出當（dāng）前時刻的位（wèi）置、速度（dù）和方向。
協方差預測：考慮係統（tǒng）的（de）過程（chéng）噪聲，對（duì）狀態協方差矩陣（zhèn）進行預測，以反映狀態估計的不確定性。過程噪聲通常是（shì）由於模型的不精確、外部幹擾等因（yīn）素引起的，通過預測協方（fāng）差矩陣，可以（yǐ）量（liàng）化這種不確定性，並在（zài）後（hòu）續的更（gèng）新階（jiē）段中進行修正。
更新階段
觀測預測：根據預測的狀態值，利用觀測模型計算出觀測值的預測值。觀測模型描述了觀測值與狀態變量之（zhī）間的關係，例如，對（duì）於（yú）使用激光（guāng）雷達進行定位的AGV小車，觀測模型可以根據預測的位置和（hé）方向，計算出激光（guāng）雷達應該觀測到的周圍環境的特征。
計算卡爾（ěr）曼增益：根據（jù）觀測噪聲協方差矩陣和預測協方差矩陣，計算卡爾曼增益，用於權衡觀（guān）測值和預（yù）測（cè）值（zhí）的權重。卡爾曼增益的（de）大小（xiǎo）取決於觀測噪聲和（hé）預測噪聲的相（xiàng）對大小（xiǎo），當（dāng）觀測噪（zào）聲較小（xiǎo）時，卡爾曼增（zēng）益較（jiào）大，觀測值的權（quán）重較大；當預測噪聲較小時，卡爾曼增益較小，預（yù）測值的權重較大。
狀態更新：將觀測值（zhí）與觀測預測（cè）值的（de）差（chà）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上，得到當前時刻的狀（zhuàng）態估計值。這樣可以利用觀測值對預測（cè）的狀態進行修正，提高狀態估計的準（zhǔn）確性。
協方差更新：根（gēn）據卡爾曼增益和觀（guān）測噪聲協方差（chà）矩陣，對狀態協方（fāng）差矩陣進行更新，以反映更新後的狀態估計的不確定性。更（gèng）新後的協方差矩陣會變小，說明狀態估計的（de）不（bú）確定（dìng）性降低了。
迭代過程
EKF通過不斷地重複預（yù）測和更新步驟，隨著時（shí）間的（de）推移，逐步提高狀態估計的準確性。在每次迭代中，都會根據新（xīn）的觀測值對狀態估計進行修（xiū）正，同時考慮係統的動態特性和觀測噪聲，從而實現對AGV小車狀態的實（shí）時（shí）估計和跟蹤。
線性化處理
由於AGV小車（chē）係統的運動方程和觀測方程往往（wǎng）是非線性的，EKF通過對非線性函數在估計值（zhí）附近（jìn）進行泰勒級數展開，並（bìng）忽略二階及以上的高階項，從而（ér）將（jiāng）非線性問題近似為（wéi）線性問（wèn）題，能夠在一定程度上處理（lǐ）非線性問題，在非線（xiàn）性程度不是特別高的情況下，相比KF能夠得到更準確的狀態估計。
