kalbee：从 pip 到多目标追踪的卡尔曼滤波指南

kalbee 是一个 Python 状态估计库，专为从噪声传感器数据中恢复干净信号（位置、速度、温度等）而设计。只需 pip install kalbee，依赖只有 NumPy 和 SciPy，也可选装 YOLO 检测和绘图支持。其核心理念是 predict（用运动模型预测）和 update（用实际测量校正）交替循环，适用于内置的十种滤波器。

入门示例：使用 constant_velocity 模型追踪匀速直线运动的一维物体，通过对比原始测量误差与滤波后 RMSE，直观感受卡尔曼滤波的降噪效果。

拓展能力：n_dims 参数可扩展至二维（位置/速度 x、y）甚至加速度模型；非线性系统可替换为 EKF 或 UKF，只需传递状态转移函数和测量函数。

多目标追踪：通过 MultiObjectTracker 配合匈牙利匹配算法，管理轨迹的创建、确认与消亡（参数 n_init、max_age、gate），可直接接入 YOLO 等检测器。

调参辅助：内置 EM 算法从历史数据自动学习过程噪声 Q 和测量噪声 R；内置实验运行器可对比不同滤波器在给定信号上的 RMSE 和 NEES 指标。

所有代码片段均可直接复制运行，文档和 examples/ 目录提供了完整的多目标追踪和 YOLO 集成示例。无论一维还是高维、线性还是非线性，kalbee 用一致的接口帮你快速上手状态估计。

#开发者 #工具 #kalbee #卡尔曼滤波 #状态估计 #Python #多目标追踪 #EKF #UKF
@DevToolboxHub