EKF（擴展卡爾曼濾波器）在（zài）AGV小車（自動導引車）係統中的（de）工作（zuò）原理主要分為（wéi）以下幾個步驟：
預（yù）測階段
狀（zhuàng）態預（yù）測：根據AGV小車的運（yùn）動學模（mó）型，利用上一時刻的狀態估計值和控製輸入，預（yù）測（cè）當前時刻的狀態。例（lì）如，對於一個在平麵上運動的AGV小車，其運（yùn）動學模型（xíng）可能包括位置、速度（dù）和方（fāng）向等狀態（tài）變量，通過上（shàng）一時刻的位置、速度和方向，以及當前時刻的控製輸入（如（rú）速度指令、轉（zhuǎn）向指令等），可（kě）以預測出當前時（shí）刻的位置、速度（dù）和方向。
協方差預測：考慮係統的過程噪聲，對狀態協方差（chà）矩陣（zhèn）進行預測，以反映狀態估計的不確定性。過程噪聲通常是由於模型的不精確、外部幹擾等因素（sù）引起（qǐ）的，通過預測協方差矩陣，可以量化這種不確定性，並在後續的更新（xīn）階段中（zhōng）進行修正。
更新階段
觀測預測（cè）：根據預測的狀態值，利用觀測模（mó）型計算（suàn）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，對於使用激（jī）光雷（léi）達進行定位的AGV小車，觀測模型可以根據預測的（de）位置和方向，計算（suàn）出激光（guāng）雷（léi）達應該觀測到的周（zhōu）圍環境的特征。
計算卡爾曼增益：根據觀測噪聲協方差矩陣和預測協方差矩陣（zhèn），計算卡（kǎ）爾曼增（zēng）益，用於權衡觀（guān）測值和預測值的權重。卡（kǎ）爾曼增益的（de）大小取決於觀測噪聲和預測噪聲的（de）相對大小，當（dāng）觀測噪（zào）聲較小時，卡爾曼增益較大，觀測值的權重較大；當預測噪聲較（jiào）小時，卡爾曼增益較小，預（yù）測值的權重較大。
狀態更新（xīn）：將觀測值與觀測預測值（zhí）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上，得到當前時刻的狀態估計值。這樣可以利用觀測值對預測的狀態進行修正，提高狀態估計的準確性。
協方差更（gèng）新：根據卡爾曼增益和觀測噪聲協方差（chà）矩陣，對狀態協方差矩陣進行（háng）更新，以反映更新後的（de）狀態估計的不確定性。更新後的協方（fāng）差矩陣會變小，說明狀態估計的不確定性降（jiàng）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（de）推移（yí），逐步提高狀態（tài）估計的準確性。在（zài）每次迭代中，都會根據新的觀測值對狀態估（gū）計進行修正（zhèng），同時考慮（lǜ）係（xì）統的動態特性和觀測噪（zào）聲，從而實現對AGV小車狀態（tài）的實時估計和跟蹤。
線性化處理
由於AGV小車係統的運動方程（chéng）和觀測方程往（wǎng）往是非線性的，EKF通過對非線性（xìng）函數在估（gū）計值附近進行泰勒級數（shù）展開，並忽略二階及以上（shàng）的高階項，從而將非線性問題近似為線性問題，能夠在一（yī）定程度上處理（lǐ）非線性問題，在非線性程度不是（shì）特別高的情況下，相比KF能夠得到更（gèng）準（zhǔn）確的狀態估計。
