最近我进入了车辆模型和一般过滤，并立即面临以下问题。
我有在高速公路上行驶的汽车记录的 GPS 数据。但是，存在大量噪音，所以我决定过滤这个数据。目前我正在为此目的使用卡尔曼滤波（假设车辆的扩展单车模型），但不知何故我觉得卡尔曼更适合在线估计/滤波。我还尝试了各种其他方法，包括中值和 Savitzky–Golay 过滤器，但它们没有考虑动态模型，我认为动态模型是过滤这些数据时要使用的重要信息。
所以，我的问题是：是否有替代卡尔曼滤波器的方法，可以指定模型动力学，更适合这个目的？
我只想再次强调，我只测量了时间序列（固定间隔）驱动结束后需要过滤坐标和数据（离线使用）。
感谢您的帮助，如果我的问题没有很好地说明，我深表歉意 - 这是我的第一篇文章:)
如果您使用商业 GPS 接收器来获取您的跟踪数据，那么来自卫星的原始三边测量数据已经“使用卡尔曼滤波（更常见）或最小二乘（不太常见）估计算法”进行了处理（参见https://insidegnss-com .exactdn.com/wp-content/uploads/2018/01/marapr13-Solutions.pdf）。还要注意文章在“*No Silver Bullet”一节中证明的违反直觉的陈述：对于 GPS 接收器的通用应用，最小二乘法和卡尔曼之间的差异出人意料地小。
考虑到这一点，额外的后处理不太可能改善您的数据集，但您的数据可能会因这种后处理而恶化。似乎您无法更好地对数据进行降噪，但您可以分析您的路线（高速公路路线是否经过“峡谷”、尖角等），并从制造商的数据表中了解您的 GPS 接收器的功能，估计精度您的跟踪数据。
引用的文章还对您突出显示的有关“替代方案”的问题提供了部分答案。