答案很简单：如果您的系统是线性的，那么（常规）卡尔曼滤波器就可以了。非常简要地总结了两者之间的差异：

扩展卡尔曼滤波器 (EKF)是可应用于非线性系统的扩展。放宽了测量和状态转移模型对线性方程的要求；相反，模型可以是非线性的，只需要是可微的。

EKF 通过将每个时间步的非线性模型转换为线性方程组来工作。在单变量模型中，您可以使用当前模型值及其导数来执行此操作；多个变量和方程的推广是雅可比矩阵。然后以与标准卡尔曼滤波器类似的方式使用线性化方程。

在许多使用线性模型逼近非线性系统的情况下，EKF 在某些情况下表现不佳。如果你对底层系统的状态有一个错误的初始猜测，那么你可能会得到垃圾。与线性系统的标准卡尔曼滤波器相比，EKF 在任何意义上都没有被证明是最优的。它只是将线性系统技术扩展到更广泛的问题类别。

我的回答是，如果它是线性系统，你应该使用 KF；如果是非线性弱的非线性系统，你应该使用EKF，如果是高非线性的非线性系统，你可以考虑众所周知的UKF。我为此画了一个图表，希望它有用。

一项快速的文献调查告诉我，EKF 通常用于 GPS、定位/导航系统以及无人驾驶飞行器。[参见例如“扩展卡尔曼滤波器在无人机识别中的应用”，Abhijit G. Kallapur, Shaaban S. Ali 和 Sreenatha G. Anavatti, Springer (2007)]。

如果您有理由相信系统中非线性的线性近似不会太有害，那么 EKF 可能会比 KF 提供更好的结果。但是没有最优性的理论上的保证。