验证与调试跟踪器

“看起来很稳”不是评价标准

把 R 调大，输出通常会更平滑；把 Q 调大，输出通常会更灵敏。只看可视化曲线，很容易把滞后当成稳定，把过度自信当成精确。一个好的自瞄滤波器至少要同时回答四层问题：

只有四层一起改善，才能说滤波器更适合自瞄。

先把误差按方向拆开

三维欧氏误差适合概览，却会把不同物理作用混在一起。至少同时记录：

• 跟踪坐标系中的前向、横向、竖直误差；
• 以枪口视线为基准的深度误差与横/纵垂直 miss；
• 预测装甲板平面中的水平、竖直 miss；
• yaw、pitch 瞄准角误差；
• 中心、速度、旋转角速度和半径等状态误差。

例如，原始 PnP 的三维误差可能主要来自深度；滤波后欧氏距离变小，也可能同时引入横向滞后。如果只看一个三维距离，就无法判断火控是否真正受益。

典型帧和坏帧要分开看

均值会被少量极端值拉动，单看中位数又会隐藏比赛中真正导致脱靶的长尾。建议至少同时报告：

p50：典型表现
p90/p95：经常遇到的坏帧
p99/max：极端失败，用于定位异常而非代表日常水平
完整 CDF：比较两种方法在所有分位点上的取舍

同一个总体数字还应按距离、装甲板观测角度、目标速度、旋转速度、置信度、重投影误差和遮挡程度分组。若总体 p95 改善只是因为测试集里近距离样本更多，这种提升不会迁移到比赛射程。

用创新检查“模型怎样错了”

创新 y = z - h(x̂⁻) 是预测观测与真实观测之差。一个匹配良好的滤波器应具有：

• 创新均值接近零；
• 各维协方差与 S = HPHᵀ + R 接近；
• 自相关在非零滞后处接近零；
• 按工作条件分组后仍保持类似性质。

如果创新有持续均值，先查系统偏差；如果创新周期性摆动，检查装甲板切换、旋转相位和模型结构；如果创新在几帧内同向连续，说明误差有时间记忆；如果只有远距离创新爆炸，说明 R 缺少距离条件。

NIS 与 NEES 分别检查什么

NIS 只需要观测：

NIS = yᵀS⁻¹y

它检查“观测创新与滤波器声明的创新协方差是否一致”。本章四维观测在理想条件下对应 χ²(4)，但应比较长期分布和不同距离覆盖率，不能只数一次是否超过 9.49。

若模拟器或标定实验提供完整状态真值，还可以计算 NEES：

NEES = (x̂ - x_true)ᵀ P⁻¹ (x̂ - x_true)

NEES 检查的是状态误差与状态协方差是否一致。NEES 长期过大表示滤波器过度自信；长期过小表示协方差过于保守。真实比赛通常没有完整状态真值，因此可以在模拟器用 NEES 做模型开发，在实车用创新、NIS 和可测的射击误差持续检查。

评价未来，而不是只评价当前

本教程将未来装甲板位置评价固定为 AUTOAIM_FUTURE_ARMOR_PREDICTION_V1。在曝光时刻 t 完成当前帧更新后，保存滤波器状态和当前物理装甲板身份；只用这份状态外推到 t + τ，再与该未来时刻的同一块装甲板真值比较。后续真值只进入离线评价器。

固定报告四个预测时域，并将 0 ms 作为当前后验诊断点：

必报：τ = 100 / 200 / 300 / 500 ms
诊断：τ = 0 ms

每个预测都必须与 t + τ 的真值比较，不能拿未来预测与当前真值比较。画出误差随 τ 的曲线后，可以区分：

• τ = 0 已经很差：观测、数据关联或当前状态估计有问题；
• 当前准确、随 τ 快速恶化：速度/角速度或运动模型有问题；
• 所有时域都有近似固定偏差：标定、坐标或观测偏差未解决；
• 只在机动时恶化：Q、模型阶次或多模型切换不够。

还应使用系统真实的 τ 分布做加权评价。若端到端延迟会在 60–140 ms 波动，只在固定 100 ms 上最好不一定能带来最好的比赛表现。

把预测误差变成火控能理解的量

对每个未来预测，建立真值装甲板局部坐标系，把位置误差分解到装甲板三条局部轴：

horizontal_miss = 误差在装甲板水平轴上的分量
vertical_miss   = 误差在装甲板竖直轴上的分量
depth_miss      = 误差在装甲板法向上的分量

小装甲板尺寸为 135 × 55 mm，以中心为瞄准点时，预测点落入理想板面窗口需要同时满足：

|horizontal_miss| ≤ 67.5 mm
|vertical_miss|   ≤ 27.5 mm

大装甲板尺寸为 225 × 55 mm，水平边界改为 112.5 mm，竖直边界仍为 27.5 mm。法向/深度误差另行进入距离和弹道评价。

再把云台跟随误差、弹道解误差、发射时序误差和弹丸散布逐项叠加，计算最终窗口覆盖率。上游预测误差占用的窗口越少，下游环节可用的余量越大。

最终实车评价还应记录：

• 从发现到稳定跟踪需要多少帧；
• 漏检后能保持多久、重捕获需要多久；
• 目标切换时错误关联与误开火次数；
• 不同距离、速度和旋转状态下的命中率；
• 首发命中时间、连续命中率和平均击杀时间。

一套可复用的实验协议

每次修改状态、Q/R 或门控后，按同一顺序跑：

1. 无噪声合成回归：验证坐标、几何、角度环绕与时间推进；
2. 固定条件噪声实验：单独改变距离、角度或角点扰动，建立误差规律；
3. 连续运动回放：使用相同录制数据比较新旧算法，避免场景变化干扰；
4. 失效场景：加入漏帧、离群点、目标切换、急停和变向；
5. 端到端仿真：使用真实处理延迟和弹道时间计算未来射击误差；
6. 实车验证：先检查日志与落点分布，再统计命中和击杀时间。

实验报告必须保存配置、随机种子、代码提交、样本数量、排除规则和原始派生数据。只展示一段最好看的曲线，无法支持滤波器优劣判断。

练习：建立自己的滤波器成绩单

使用本教程的 tracking-observations.csv，为自己的实现输出一张表：

方法 × 距离 × 预测时域
→ position p50/p95
→ horizontal / vertical miss p95
→ NIS 95% 覆盖率
→ 创新 lag-1 / lag-2 自相关
→ 更新接受率与失锁次数

然后回答三件事：你的提升主要来自去掉深度长尾，还是未来横向预测？协方差在各距离是否同样诚实？若把门控阈值放宽，精度、拒绝率和失锁恢复之间发生了什么变化？能回答这些问题，才算真正理解了滤波器，而不是只找到一组参数。

至此，跟踪预测主线已经完成，可以继续进入火控与弹道。研究选读：从预测误差看 11 维 EKF展示在 100 / 200 / 300 / 500 ms 四个固定时域上，未来装甲板位置误差和板面窗口覆盖率如何变化。