在AGV小車係統中，擴展卡爾曼濾波器（EKF）和標（biāo）準卡爾曼濾波器（KF）的區別主要體現在（zài）以下幾個方麵：
適用（yòng）係統
KF：主要處理線性係統，即（jí）係統的狀態（tài）轉移（yí）方程和（hé）觀測方程都可以用線性關（guān）係來描述（shù）。例如在一些簡單的AGV小（xiǎo）車（chē）導航場景中，車輛的運動可以近似為（wéi）勻速直線運動，傳感器的觀測值（zhí）（如位置、速度等）與（yǔ）係統狀態之間也（yě）存在線性關係，此時KF能夠（gòu）有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（fāng）程往往是非線性的，例如車輛的轉向、加速（sù）、減（jiǎn）速等動作會導致運（yùn）動狀態的非線性（xìng）變化（huà），傳感器（qì）的測量模型也（yě）可（kě）能存在非線性關係，這時候就需要使用EKF來處理。
原理
KF：以最小均方誤差（chà）為估計的最佳準則，通過信號與噪聲的狀態空間模型，利用前一時刻（kè）的估計值和現時刻的觀測值來更新對狀態變量的估（gū）計，從而求得現時刻的最優估計值。其基本思（sī）想可以（yǐ）概括為預測和（hé）更新兩個步驟。預測階段根據前（qián）一個狀態預測下一個狀態，包括位置和相應的協方差矩陣。更新階段（duàn）則通過觀測數據對預測結果進行修正，得到最終的狀態估計。
EKF：是KF的（de）擴展形式，其基（jī）本原理是將非線性函數在估計值附（fù）近進行泰勒級數展開，並（bìng）忽（hū）略二階及以上的高階項，從而將非線性問題近似為線性問題。然後（hòu），利用KF的（de）框架進行狀態估計，也包括預測和更新兩個步驟。在預測步驟中，根據（jù）上一時刻的狀態估計值和控製輸（shū）入，預測當前時刻的狀態值；在更新步驟中（zhōng），根據當前時刻的觀測值和預測值，計算卡爾曼增（zēng）益，並（bìng）更新狀（zhuàng）態（tài）估計（jì）值。
精度
KF：在（zài）處理線性係（xì）統時，能夠得到較為精確的（de）狀態估計。但對於非線性係統，由（yóu）於其假設係統是線性的，當（dāng）係統存在非線性特性時，直接使用KF可能會導致（zhì）較大（dà）的估計誤差（chà），甚（shèn）至無法準確估計係統狀態。
EKF：通過對非線性係統進（jìn）行線性化近似，能（néng）夠在一定（dìng）程度上（shàng）處理非線性問題，在（zài）非線性（xìng）程度（dù）不是特（tè）別（bié）高的情況下（xià），相比KF能夠得到更（gèng）準確的狀態估計。但由於其線性化過程會引入一定的誤差，當係統的非線性程度較高（gāo）時，線性化誤差可能會累積，導致（zhì）估計精（jīng）度下降。
計算量
KF：算（suàn）法相對簡單，計算量較小，比較容易滿足（zú）實時計（jì）算的要求，適合在對實（shí）時（shí）性（xìng）要求較高且計算資源有限的AGV小車係統中應用。
EKF：需要對非線性函數進行泰勒級數展開和求導等操作，計算過程（chéng）相對複雜，計算量比KF大。在一些對實（shí）時性要求較高的AGV小車係統中，可能需要對算法進行優化，以減（jiǎn）少計算量（liàng），滿足（zú）實時性要求。
應用場景
KF：適用於線性度較好，或者對精度要求不高的AGV小（xiǎo）車係統。例如在一些（xiē）簡單的、運動較為平穩的AGV小車（chē）導航場景中，KF可以滿足基本的狀態估計需求（qiú）。
EKF：更適合非線性程度較高，對精（jīng）度要求較高的AGV小車係（xì）統。例如在複雜（zá）的AGV小車運動場景中（zhōng），車輛需要頻繁轉（zhuǎn）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（dì）處（chù）理非（fēi）線性問題，提供（gòng）更準確的狀態估計，從而提（tí）高（gāo）AGV小車的（de）導航精（jīng）度和穩定性。
