是否在模型中包含特定参数取决于您对该参数的了解程度。如果您已经在状态中包含 2D 速度，那么加速度将通过您所做的随机噪声假设进入。

如果您在状态中包含 2D 加速度，跟踪一个人是否会改进取决于您可以对人的加速度如何变化做出哪些假设。

对于某些模型，我们可能知道混蛋$^1$是完全随机的，但不是加速度。在这种情况下，包含加速度并将随机性作为 jerk（更改为加速度）输入是有意义的。

${\tiny^1\sf \mbox{The derivative of acceleration, I'm not casting aspersions. }}$

如果您希望该状态在测量与测量之间具有依赖性，则可以添加加速状态或任何状态。状态应该有记忆。如果对于模型的每次演化，扰动在统计上是独立的，则它应该是一个噪声项。国家有记忆，噪音没有。

在噪声相关的情况下，我们使用并增强具有记忆和独立扰动的噪声状态。同样，状态有记忆，扰动没有。

在许多情况下，状态对一些连续的时间演化有记忆，然后不再记忆。这就是交互多模型（IMM）有用的地方。您只在需要时携带额外的状态。

例如，您将有 2 个过程模型，一个是加速度是噪声项，另一个是加速度是包含状态。两个模型同时运行，但由那个时间演化的最佳模型更新。最佳模型的关键是每个模型的创新顺序。你可以有 2 个模型 3 个模型或者什么是实用的。

卡尔曼滤波器有几种不同的形式。IMM 需要显式创新形式。