在AGV小（xiǎo）車係統中，擴展卡爾曼（màn）濾（lǜ）波器（qì）（EKF）和標（biāo）準（zhǔn）卡爾曼濾波（bō）器（KF）的區別主要（yào）體（tǐ）現在以下幾個方麵：
適用（yòng）係統
KF：主要處理線性係統，即（jí）係統的狀態轉移方程和觀測方程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，車輛的運動可以近似為勻速直線運動，傳感器的觀測（cè）值（如位置、速（sù）度等）與係統狀態之間也存在線性關係，此時KF能夠有效地對係統狀態（tài）進行最優估計。
EKF：適用於非線（xiàn）性係統的狀（zhuàng）態估計。在AGV小車係統中，車輛的運動方程和觀測方程往往是（shì）非線性的，例如車輛的轉向、加速、減速等動作會導致運（yùn）動狀態（tài）的非線性變化，傳感器的測量模型也可能存在非線性（xìng）關係，這時候就需要使用EKF來處理。
原理
KF：以最小均方誤差為估計的最佳準則，通過（guò）信號與噪聲的狀態空間模型，利用前一時刻的估計值（zhí）和現時刻的觀測值來更（gèng）新對狀態變量的估計，從而求得現時刻的最優估計值。其基本思想可以概括為預測和更新兩個步驟。預測階段根據前一個狀態（tài）預（yù）測下一（yī）個狀態，包括位置和相應的協方差矩陣。更新階段則通（tōng）過觀（guān）測數據對預測結（jié）果進行（háng）修正，得到（dào）最終的狀態估計。
EKF：是（shì）KF的擴展形式，其基（jī）本原理（lǐ）是將非線性函數在（zài）估計值附近進行泰勒級（jí）數展開，並忽略二階及以上的高階項，從而將非線性問題近似為線性（xìng）問（wèn）題。然後，利（lì）用KF的（de）框架進（jìn）行狀態估計，也包括（kuò）預測和更新兩個步（bù）驟。在預測步（bù）驟（zhòu）中，根據上（shàng）一時刻的狀（zhuàng）態估計值和控製輸入，預測當（dāng）前時刻的狀態值；在更新（xīn）步驟中，根據（jù）當前時刻的（de）觀測值（zhí）和（hé）預測值，計算卡爾曼增益，並更新狀態估計值。
精度
KF：在處理線性係（xì）統時，能夠得到較為精確的狀態估計。但對於非線性係統，由於其假設係統是線性的，當係統存在非線（xiàn）性特性時，直接使（shǐ）用KF可能會導致較大的估計誤差，甚至（zhì）無法準確估（gū）計係統狀態。
EKF：通過對非線性（xìng）係統進行線性化近似，能（néng）夠（gòu）在一定程度上處理非線性問題，在（zài）非線性程度不是特別高的（de）情況（kuàng）下，相比KF能夠得（dé）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（xì）統的非線（xiàn）性程度較高時，線性化誤差可能會累積，導（dǎo）致估計精度下降。
計算量
KF：算法相對簡單（dān），計算量較小，比較容易滿足實時計算的（de）要求，適合在對實時性要求較高且計算（suàn）資（zī）源有限的AGV小車係統中應用。
EKF：需要（yào）對非線性函（hán）數（shù）進行泰勒級數展開和求導（dǎo）等操作（zuò），計算過程相對複雜，計算量比KF大。在一些對實時性要求（qiú）較高的AGV小車係統中，可能需要對算法進行優化，以減少計算量（liàng），滿足實時性要求。
應用場景
KF：適用於線（xiàn）性度較好，或者對精度（dù）要求不高的AGV小車係統。例如在一些簡單的、運動較為平穩的（de）AGV小車導航場景中，KF可以滿足基本的狀態估計（jì）需求。
EKF：更適合非線性程度（dù）較高，對精度要求較高的AGV小車係統（tǒng）。例如在複雜的（de）AGV小車運動場景中，車輛需要頻繁轉向、加（jiā）速、減速，或者在存在複雜環境幹擾的情況下，EKF能夠更好地處理非線性問題，提（tí）供更（gèng）準（zhǔn）確的狀態估計，從而提高AGV小車（chē）的導航精度和穩定性。
