Khi sử dụng EKF (hoặc KF tiêu chuẩn) trên robot thực, bạn sẽ muốn cho bộ lọc biết có bao nhiêu tiếng ồn trong mỗi phép đo và trong quy trình.
Mục đích của việc này là để bộ lọc Kalman có thể quyết định mức độ "tin tưởng" của từng nguồn dữ liệu và do đó, trọng số để đưa ra mỗi phép đo trong ước tính cuối cùng của nó.
Đối với dữ liệu robot thực, tiếng ồn đã có trong phép đo. Tôi nghĩ khi bạn nói "ma trận nhiễu", bạn đang đề cập đến ma trận hiệp phương sai. Đây không phải là tiếng ồn thực tế, mà là ma trận hiệp phương sai mô tả cường độ của tiếng ồn (có thể được Bộ lọc Kalman dự đoán) và mối tương quan giữa các thuật ngữ tiếng ồn khác nhau, để phân phối tiếng ồn bình thường. Nói chung, bạn sẽ muốn một hiệp phương sai chính xác nhất có thể, tuy nhiên, nó có thể được ước tính đơn giản. Khi làm việc với dữ liệu thực, bạn có thể thực hiện một thử nghiệm nhanh để ước tính hiệp phương sai hoặc bạn cũng có thể ước tính nó bằng cách tham khảo bảng dữ liệu hoặc chọn một giá trị hợp lý. Trong trường hợp không có nhiều dữ liệu, hiệp phương sai thường sẽ là một ma trận đường chéo (nghĩa là không có tương quan).phương sai . Điều đó có nghĩa là bạn đang nói với bộ lọc Kalman phương sai của các nguồn nhiễu khác nhau là gì (bình phương độ lệch chuẩn của nhiễu).
Mặt khác, nếu bạn thắc mắc tại sao các mô hình liên quan đến Bộ lọc Kalman có thể có thuật ngữ nhiễu (trái ngược với hiệp phương sai), chúng chỉ là các mô hình và các phương trình đó không thực sự được sử dụng trong thuật toán. Các phương trình được sử dụng bởi thuật toán sẽ có các thuật ngữ đại diện cho hiệp phương sai (không phải là nhiễu thực tế - không xác định), mà nó thường giữ một ước tính trực tuyến.