即，如果您将位置（p）和速度（v ）作为状态变量，并且我对p进行低频测量，这也间接地为我提供了有关v的信息（因为它是p的导数）。处理这种关系的最佳方式是什么？

A）在更新步骤，我应该只说我已经测量了p并依靠过滤过程和我的累积状态协方差矩阵（P）来纠正v吗？

B）我是否应该在我的更新步骤之后或之前创建一个“额外”预测步骤来测量p，它使用我测量的p和（相对较大的）增量时间来对v进行高方差预测？

C）在我的更新/测量步骤中，我应该说我已经测量了p和 v，然后以某种方式将有关它们相互依赖的信息编码到测量协方差矩阵（R）中吗？

对于更多背景知识，这是我遇到问题的具体情况：

我正在使用一个系统，我想估计一个物体的位置（p），我经常测量加速度（a）和不经常的高噪声测量p。

我目前正在使用一个使用扩展卡尔曼滤波器执行此操作的代码库，它保存为状态变量p和v。它在每次加速度测量后运行一个“预测”步骤，其中它使用测量的 a和 delta-time 来整合和预测新的p和v。然后它为每个（不频繁的）p测量运行一个“更新”/“测量”步骤。

问题是这样的——我偶尔会得到a 的高误差测量值，这会导致高度错误的v。显然， a 的进一步测量永远不会纠正这一点，但p的测量应该摆脱这一点。而且，事实上，这似乎确实发生了......但非常缓慢。

我在想这可能部分是因为p在这个系统中影响v的唯一方法是通过协方差矩阵P - 即上面的方法 A) - 这似乎相当间接。我想知道是否有更好的方法将我们对p和v之间的这种关系的知识整合到模型中，以便p的测量可以更快地校正v 。

谢谢！