EKF（擴展卡爾曼濾波器）在AGV小車（自動導引（yǐn）車）係統中的（de）工作原理主要分為（wéi）以下幾個步驟：
預測階段
狀態（tài）預測：根據（jù）AGV小車的運動學模（mó）型，利用上（shàng）一時刻的狀態估計值（zhí）和（hé）控製輸入，預測當前時刻的狀態。例如，對於一個在平麵上運動的AGV小車，其（qí）運動（dòng）學模型可（kě）能包括位置、速（sù）度和方（fāng）向等狀態變量，通過上一時刻（kè）的位置、速度和方向，以及當前時刻的控製輸入（如速度指令、轉向指（zhǐ）令等），可（kě）以預測出當前時刻的位（wèi）置、速度和方向。
協方差預測：考慮係統（tǒng）的過程噪聲，對狀態協方差矩陣進行預測，以反映狀態估計（jì）的不確定（dìng）性。過程噪聲通常是（shì）由於模型的不精確、外部幹擾等（děng）因（yīn）素引起的，通過預測協方差矩陣，可以量化這種不確定性（xìng），並在（zài）後續的更新階段中進行修正（zhèng）。
更（gèng）新階段
觀測預（yù）測：根據預（yù）測的狀態值，利用觀測模型計算出觀測值的（de）預（yù）測值。觀測模型描述了觀測值與狀態變量之間的關係，例如，對於使用激光雷達進行定位的AGV小車，觀測模型可以根據（jù）預測的位置和方向，計算出激光雷（léi）達應該（gāi）觀測到的周圍環境的特征。
計（jì）算（suàn）卡爾曼增益：根據觀測噪聲協方差矩陣和預測協方差矩陣，計算卡爾曼（màn）增益，用於權衡觀測（cè）值和預測值（zhí）的權重。卡爾曼增益的大小取決於觀測噪（zào）聲（shēng）和預測噪聲的相對大小，當觀測（cè）噪聲較小時，卡爾曼增益較大，觀測（cè）值的權重較大；當預測噪（zào）聲較小時，卡（kǎ）爾曼增益（yì）較（jiào）小，預測（cè）值的權重較大。
狀態更新：將觀（guān）測值與觀測預測值的差值乘以卡爾曼增益，得到狀態（tài）更新量，將其加到預測的狀態值上，得到當前時刻（kè）的狀態估計值。這樣可以利用觀測值對（duì）預測的狀態進行修正，提高（gāo）狀態估計的準確性（xìng）。
協方差更新（xīn）：根據卡（kǎ）爾（ěr）曼增益（yì）和觀測噪聲協（xié）方差矩陣，對（duì）狀態協方差矩陣進行更新，以反映更新後的狀（zhuàng）態估（gū）計的不確定性。更新後的協方差矩陣會變小，說明狀態（tài）估（gū）計的不確定性降低了（le）。
迭代過程
EKF通過不斷地重複預測和更新步驟，隨著時間的推移，逐步提高狀態估計的準確性。在每次迭代中，都會根據（jù）新（xīn）的觀測值對狀態估計進行修正，同時考慮係統的動態特性和觀測噪聲，從而實現對AGV小（xiǎo）車狀態的實時估計和跟蹤。
線性化處理
由於AGV小車係統的運動（dòng）方程和觀測方（fāng）程往往是非線性的（de），EKF通過對非線性函（hán）數在估計（jì）值（zhí）附近進行泰勒級數展開（kāi），並忽略二階及以上的高階項，從而將非線性（xìng）問題近似為線性（xìng）問題，能夠在一定程（chéng）度上處理非線（xiàn）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（dào）更準確的狀態（tài）估計。
