在AGV小車係統中，擴展卡爾曼濾波器（EKF）和標準卡爾曼濾波器（KF）的區別主要體現在以下幾個（gè）方麵：
適（shì）用係統
KF：主要處理線性係統，即係統的狀態（tài）轉（zhuǎn）移方程和（hé）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（dòng）可以近似為勻速直線運動，傳感器的觀測值（zhí）（如位（wèi）置、速度等）與係統狀態之間也（yě）存（cún）在線性關係，此時KF能夠有效地對係統狀態進行最優估（gū）計。
EKF：適用於非線性係統的狀態估（gū）計。在AGV小車係統中，車輛的運動方程和觀測方程往往是非線（xiàn）性的，例如車輛的轉向、加（jiā）速（sù）、減速等動作會導（dǎo）致運（yùn）動狀態的非線性變化，傳感（gǎn）器的測量模型也可能存在非線性關係，這時候就需要使用EKF來處理。
原理
KF：以最小均方誤（wù）差為（wéi）估計的最佳（jiā）準則，通過（guò）信號與噪聲的狀（zhuàng）態（tài）空間模型，利用前一時刻的估計值和現時（shí）刻的觀測值來更新對狀態（tài）變量的估計，從而求得現時刻的最優估計值（zhí）。其基本思想可（kě）以概括為預測和更新兩（liǎng）個步驟。預測階段根據前一個狀態預測下一個狀態，包括位置和相應的協方差矩陣。更新階段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的擴展形式，其（qí）基本原理是將非線性函數在估計值附近進行泰勒級數展開，並忽略二階及以上的（de）高階（jiē）項，從而將非線性問題近似為（wéi）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。在預測步驟中，根據（jù）上一時刻的狀態估計（jì）值和控製輸入，預測當前時刻的狀態值；在更新步驟中，根據當前時刻（kè）的觀測值（zhí）和預測值，計算卡爾曼增（zēng）益，並更新（xīn）狀態估計值。
精度
KF：在處理（lǐ）線性係統時，能夠得（dé）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（shǐ）用KF可能會導致較大的估（gū）計（jì）誤差，甚至無法準確估計係統狀態。
EKF：通（tōng）過對（duì）非線性係統進行線性化近似，能夠在一定程度上處理非線性問題，在非線性程度不（bú）是特別高的情況（kuàng）下，相比KF能夠得到更準確的狀態估計。但由（yóu）於其線性化過（guò）程會引入一定的誤差（chà），當係統的非線（xiàn）性（xìng）程度較高時，線性化誤差可（kě）能會累積，導致估計精度下降。
計算量
KF：算法相對簡（jiǎn）單，計算量較小，比較容易滿足實（shí）時計算的要求，適（shì）合在對實（shí）時性要求較高且計算資源有限的AGV小車係統中（zhōng）應用。
EKF：需要對非線性函（hán）數進行泰勒級數展開和求導等操作，計算過程相對複雜，計算量比KF大。在一些對實時性要求較高（gāo）的AGV小車係統中，可能需要對算法進行優化，以減少計算量，滿足實時性要求。
應用場景
KF：適（shì）用於線性度較好，或者對精度要求不高的（de）AGV小車（chē）係統。例如在一些簡單的、運動（dòng）較為平穩的AGV小車導航場景中，KF可（kě）以滿足基本的狀態估計需求。
EKF：更適合非線性程度較高，對精度要（yào）求較高的AGV小車係統。例如（rú）在複雜的AGV小（xiǎo）車運動場景中，車（chē）輛需要頻繁轉（zhuǎn）向、加速、減速，或者（zhě）在存在複雜環境幹擾的（de）情況下，EKF能夠更好地處理非線性問題，提供更準確的狀態估計，從（cóng）而提高AGV小車的導航精度和穩定性。
