矩阵这个东西，我见过太多RM电控新队员在第一次翻卡尔曼滤波推导的时候被劝退——满屏的加粗大写字母、上标转置、下标k，还有那个看着就不想动的(PHᵀ(HPHᵀ+R)⁻¹)。但真正卡住人的从来不是卡尔曼滤波本身，而是它默认你已经熟练的矩阵语言。我们中科大战队在带新人的时候有个不成文的规矩：谁想碰卡尔曼，先花两周把矩阵分析的基本操作过一遍，能自己手推一遍增益公式再说。这篇就聊聊为什么卡尔曼滤波之前必须先啃矩阵，矩阵分析里哪些东西是电控真正用得到的，以及怎么把纸上的矩阵公式落到STM32的代码里还不炸。适合刚进RM电控组、听说过卡尔曼但没敢下手的同学，也适合任何想把状态估计从"抄库"变成"自己写"的人。
1. RM电控里卡尔曼滤波到底在算什么
1.1 陀螺仪漂移和加速度计噪声是一对天生的冤家
先说清楚我们为什么要用卡尔曼。RM的云台和底盘上，姿态估计几乎都绕不开IMU。陀螺仪的好处是短时间响应快、动态准，坏处是积分之后会有零偏累积，你放那儿不动，一分钟之后角度能飘出去好几度。加速度计正好相反，静态的时候它能给你一个绝对的重力方向参考，但机器人一跑起来、电机一抖、底盘一颠，加速度计输出的就不只是重力了，高频噪声大得没法直接用。
这两者一个信短期一个信长期，单独用都不行。卡尔曼滤波干的事情，本质就是给这两个传感器的输出各自配一个"信任度"，然后按最优的方式加权融合。这个"信任度"，在数学上就是方差和协方差，写成矩阵就是协方差矩阵。你如果只学过一维的加权平均，脑子里想的是"陀螺仪权重0.98，加速度计权重0.02"，这在一维场景下勉强能跑。但真实的姿态估计里，状态往往不只一个角度，还有角速度、零偏，观测也不只一路，这时候"权重"就从一个数变成了一整个矩阵，也就是卡尔曼增益K。
所以第一层认知要先立起来：卡尔曼滤波不是"两路数据加权平均"这么简单，它是多维状态在多维观测下的最优估计。而"多维"这两个字，就注定了你必须用矩阵来描述状态、描述不确定性、描述观测关系。
1.2 标量思维的天花板在哪里
我见过有同学写了个一维卡尔曼，用来融合单个轴的陀螺仪和加速度计，跑得还挺顺，然后他试图把这个代码"复制三份"去处理roll、pitch、yaw三个轴。结果yaw轴死活收敛不了，因为yaw没有绝对参考，加速度计在水平旋转时给不出任何yaw信息，三个轴之间存在耦合，而他的代码里三个轴是独立跑的，完全没考虑耦合。
这就是标量思维的天花板。当你把三个轴独立处理的时候，你隐含假设了"三个轴的误差是互不相关的"，也就是协方差矩阵是个对角阵。实际情况里，传感器误差、坐标系旋转、动力学耦合都会让这个矩阵出现非对角项。非对角项一出现，标量那套加减乘除就彻底不够用了，你必须上矩阵。
还有一个更隐蔽的点：坐标系变换。陀螺仪测的是机体系下的角速度，但你要的是世界系下的姿态角。从机体系到世界系的转换，就是一堆旋转矩阵相乘。旋转矩阵是矩阵分析里最基础的对象之一，正交、行列式为1、转置等于逆，这些性质你如果没在矩阵课上学过，看姿态解算代码的时候会一头雾水——为什么这里要转置，为什么那里要乘逆，完全靠背。
2. 卡尔曼滤波前必须打通的五个矩阵概念
2.1 矩阵本质上是一个线性变换，别只当成数字表格
很多教材一上来就讲矩阵是"数字排成的矩形阵列"，然后开始讲加减乘除。这种讲法对考试有用，但对理解卡尔曼没用。你脑子里要建立的第一个直觉是：矩阵是一个把向量从一个空间搬到另一个空间的变换。
举个例子，一个3×3的旋转矩阵R，乘上一个表示机体角速度的三维向量，得到的就是世界系下的角速度。这个矩阵不"产生"新信息，它只是换了描述问题的坐标系。理解了这一点，你就能明白为什么卡尔曼的预测方程里，状态转移矩阵F乘的是状态向量x——它在描述"上一时刻的状态，经过系统的动力学，变成了这一时刻的状态"，而这个"变成"的过程是线性的，所以能用矩阵表示。
矩阵作为线性变换，还带来几个重要推论。可逆的矩阵对应一一对应的变换，不可逆或者接近不可逆的矩阵对应"信息丢失"的变换。卡尔曼滤波里那个求逆操作(HPHᵀ+R)⁻¹，本质就是在问"这个观测能提供多少新信息"，如果这个矩阵接近奇异，说明观测几乎提供不了新信息，数值上就会抖。后面讲数值稳定性的时候会再回来说这一点。
另外要习惯的符号约定：一般用大写粗体或者大写字母表示矩阵（如F、H、P），小写粗体表示向量（如x、z），斜体小写表示标量。元素用双下标，比如a_ij表示第i行第j列。这套约定不是装饰，它能让你在读推导的时候一眼分清哪些是标量运算、哪些是矩阵运算。转置用上标ᵀ，逆用上标⁻¹，这两个符号在卡尔曼公式里出现的频率高到你必须形成肌肉记忆。
2.2 矩阵乘法、转置与逆，运算规则背后的物理含义
矩阵乘法是卡尔曼滤波里用得最多的运算。规则你肯定知道：A(m×n)乘B(n×p)得到C(m×p)，C的元素是A的行点乘B的列。但我要强调的是维度匹配这个习惯。新手最常犯的错误就是矩阵维度对不上，然后对着报错发呆。
卡尔曼的预测方程 P⁻ = FPFᵀ + Q，你数一下维度：如果状态是n维，F是n×n，P是n×n，Fᵀ也是n×n，Q是n×n。全对上了，这个方程的物理含义是"不确定性的传播"——系统演化会把原来的不确定性F和P各拉伸一次，再加上过程噪声Q带来的新增不确定性。
矩阵乘法不满足交换律，AB不等于BA，这一点在推导卡尔曼的时候非常关键。为什么更新方程里是K(z-Hx̂)而不是(z-Hx̂)K，为什么先算K再算x̂，顺序不能乱。有同学写代码的时候把乘法顺序搞反了，编译器不报错（因为维度刚好凑得上），但结果就是错的。我的建议是：写矩阵代码的时候，每个乘法后面用注释标出维度，比如// F(n×n) * x(n×1) = (n×1)，这个习惯能帮你省下大量调试时间。
转置的物理含义在协方差矩阵上体现得最明显。因为协方差矩阵是对称的，P等于Pᵀ，所以你看到FPFᵀ这个形式，就可以理解为"把F方向的变换同时施加在协方差矩阵的两侧"，保证结果的对称性。如果只写FPF，结果就不对称了，那它就不再是一个合法的协方差矩阵。
逆矩阵是卡尔曼里的"重操作"。理论上你会写(A)⁻¹，但代码里几乎从来不会真的去求逆。原因有两个：一是求逆数值不稳定，尤其是矩阵接近奇异的时候；二是求逆的复杂度高，在单片机上用不起。实际做法是把式子K = P⁻Hᵀ(HP⁻Hᵀ+R)⁻¹改写成解线性方程组的形式。设S = HP⁻Hᵀ+R，那么看K = P⁻HᵀS⁻¹，等价于解SᵀKᵀ = (P⁻Hᵀ)ᵀ，或者更常见的是用Cholesky分解把S拆成LLᵀ，然后前代回代求解。这就是后面代码实现里的重点。
2.3 行列式、秩与可逆性，决定滤波器崩不崩
行列式在卡尔曼代码里你几乎不会直接算，但它是理解"为什么矩阵会病态"的关键。一个方阵的行列式为0，意味着它不可逆，也意味着它对应的线性变换把空间"压扁"了——比如把一个三维空间压成一个平面。在卡尔曼滤波里，如果观测矩阵H把不同状态压到了同一个观测上，比如两个状态都只体现在同一个观测量里，那你的观测就提供不了足够信息去区分这两个状态，滤波器就会发散。
秩刻画的是矩阵"有效维度"。一个n×n矩阵如果秩小于n，就说明它的列向量线性相关，变换之后有信息丢失。落到卡尔曼上，状态转移矩阵F如果降秩，意味着系统的某些状态会"消失"，那预测就没意义了。观测矩阵H如果降秩，意味着观测不足以支撑状态估计。
这里有个实操经验：拿到一个滤波发散的问题，先去看H矩阵和F矩阵的秩，再去调Q和R。我见过太多人一遇到发散就疯狂调Q，调了半天治标不治本，问题其实出在模型本身——H矩阵设置得让某个状态永远观测不到，那这个状态的不确定性就会无限增长，怎么调参都救不回来。
举个RM里常见的例子。你做云台yaw轴估计，状态设成[角度, 角速度]，观测只有陀螺仪的角速度，那么H = [0, 1]。这时候角度这个状态完全没有观测。如果你不做任何处理，纯靠F积分，角度会很快飘走，协方差矩阵P的角度对应项会线性增长到很大。这不是滤波器的bug，而是"你没有提供角度的绝对参考"这个物理事实在矩阵上的体现。
2.4 协方差矩阵与正定性，不确定性怎么用矩阵描述
协方差矩阵是卡尔曼滤波的灵魂，但很多人对它的理解只停留在"对角线是方差"这一层。对角线元素确实是各个状态的方差，但非对角元素才是关键，它描述的是状态之间的相关性。比如你的速度估计偏高，往往角度估计也会偏高，这种相关性就体现在协方差矩阵的非对角项上。
协方差矩阵有两个必须记住的数学性质：对称，以及半正定（严格说在满秩情况下是正定）。正定的定义是：对于任何非零向量x，都有xᵀPx > 0。这个性质不是数学家闲着没事定的，它有实实在在的物理意义——不确定性在任何方向上的投影都必须是正的，不能有"负的方差"。一旦你的代码算出了一个非正定的P，说明数值出问题了，滤波器马上就要崩。
正定性在卡尔曼里还和Cholesky分解直接挂钩。Cholesky分解要求矩阵正定，你把S = HPHᵀ+R用Cholesky拆成LLᵀ的前提就是S正定。而S是不是正定？理论上H、P、R都是正定或者半正定的，加起来的S是正定的，所以能用Cholesky。但如果数值误差让P失去了正定性，Cholesky就会失败或者出NaN。这就是为什么很多卡尔曼实现里要有"重正定化"的兜底操作。
那么协方差矩阵在实际标定时怎么理解？P的初始值大，表示"我一开始对状态一无所知"；P的初始值小，表示"我一开始就挺确定"。P会随着预测变大（不确定性增加），随着更新变小（观测带来了信息）。你看P的大小就能判断滤波器当前"自信不自信"。调试的时候把P的对角线打印出来，比看状态估计值有用得多。
2.5 矩阵求导是卡尔曼增益公式的真正来源
前面讲的都是"会用"，这一节讲"为什么对"。卡尔曼滤波的更新公式x̂ = x̂⁻ + K(z-Hx̂⁻)里的K，不是拍脑袋定的，它是最小化估计误差协方差推导出来的最优点。推导过程要用到矩阵求导，这是很多人跳过的一步，但跳过之后你对整个滤波器的理解就浮在表面。
核心要掌握的求导公式不多，最常用的两个：一是标量对向量求导，∂(aᵀx)/∂x = a；二是二次型对向量求导，当A对称时∂(xᵀAx)/∂x = 2Ax。卡尔曼增益的推导里，要把后验误差协方差的迹（trace）对K求导并令其为零，过程中会反复用到二次型的导数公式。
还有一个工具是矩阵微分恒等式，尤其是涉及迹的那些：∂tr(AB)/∂A = Bᵀ这类。你不需要背全部，但要能查得到、看得懂。我的建议是，第一次推导的时候照着教材慢慢推一遍，把每一步用到哪个公式标注在旁边。推完一遍之后你会发现，卡尔曼增益那个看着吓人的(PHᵀ(HPHᵀ+R)⁻¹)，其实就是一个"观测信息与先验信息之比"的矩阵版本。
史荣昌那本《矩阵分析》和《矩阵分析引论》里，求导相关的章节偏理论，符号约定也偏数学。看得头晕是正常的。我的经验是把它当成工具书——需要哪个恒等式去查哪一节，不要试图一次性从头读到尾。真正让你理解卡尔曼求导的，是你在纸上跟着推一遍，而不是读十遍别人怎么推。
3. 把矩阵公式落到嵌入式代码里
3.1 五个滤波公式的矩阵对照
先把卡尔曼的五个公式用矩阵形式列清楚，这是后面写代码的蓝图。状态向量x是n×1，观测向量z是m×1，状态转移矩阵F是n×n，观测矩阵H是m×n，过程噪声协方差Q是n×n，观测噪声协方差R是m×m，协方差矩阵P是n×n，卡尔曼增益K是n×m。
| 步骤 | 公式 | 维度 |
|---|---|---|
| 状态预测 | x̂⁻ = F x̂ + B u | n×1 |
| 协方差预测 | P⁻ = F P Fᵀ + Q | n×n |
| 计算增益 | K = P⁻Hᵀ(HP⁻Hᵀ+R)⁻¹ | n×m |
| 状态更新 | x̂ = x̂⁻ + K(z − H x̂⁻) | n×1 |
| 协方差更新 | P = (I − KH)P⁻ | n×n |
维度对不上的地方一眼就能看出来。写代码的时候我强烈建议把这五步分别封成函数，不要让它们揉在一个大函数里。原因很实际：调参和调试的时候你要单独打印某一步的中间量，分开了才好插断点和打印。
状态更新里那个(z − Hx̂⁻)叫新息，也就是"观测值和预测的观测值之间的差"。这个量的物理含义是"预测错在哪"。如果新息一直很大，说明你的模型（F、H）有问题；如果新息抖动得厉害，说明R设小了；如果新息长期偏一边，说明状态量或者模型有系统性偏差。调试卡尔曼，盯着新息比盯着状态输出更有用。
3.2 单片机上的小矩阵库怎么写才不出错
RM的板子基本都是STM32，跑裸机或者RTOS，没有numpy这种库。你需要一个轻量的矩阵库。有人会去搬DSP库或者其他开源库，但对于入门阶段，我建议自己写一遍，因为写的过程就是理解维度的过程。
关键设计原则有几条。第一，通信用静态数组，不用动态内存。n和m在编译期就确定（比如状态6维、观测3维），用float A[6][6]这种形式，避免malloc带来的碎片和不确定性。第二，函数只处理确定的维度，别为了通用性写成带循环变量维度的形式，单片机上的通用性不值那点性能牺牲。第三，对单位矩阵、转置、矩阵乘这几个高频操作单独优化。
下面给一个六维状态下的核心操作示例，用C写：
#define N 6 typedef float mat_t[N][N]; void mat_mul(const mat_t A, const mat_t B, mat_t C) { for (int i = 0; i < N; i++) for (int j = 0; j < N; j++) { C[i][j] = 0.0f; for (int k = 0; k < N; k++) C[i][j] += A[i][k] * B[k][j]; } }这个三层循环是标准写法，但在单片机上有优化空间。比如循环顺序可以改成i-k-j，让内层循环连续访问内存，缓存命中率更高。不过对于6维这种小矩阵，优化的收益不大，保持代码清晰更重要。等你的状态维度大到十几维、控制周期又很短的时候，再考虑用DSP指令或者查表优化。
求逆那块，不要用高斯-约当消元去求通用逆，用Cholesky分解解方程更稳。Cholesky的代码也不长，三十行左右，网上有成熟参考。关键是它在S正定的时候过程稳定，而且分解完一次可以复用来做前代回代。
3.3 F、H、Q、R四个矩阵的构造实操与参数选择
模型矩阵的构造决定了滤波器能不能用。以RM云台姿态估计里最常见的"角度+角速度"模型为例，状态x = [θ, ω]ᵀ，观测是陀螺仪角速度z = ω_gyro。
状态转移矩阵F按匀速模型近似：θ(k) = θ(k−1) + ω(k−1)·dt，ω(k) = ω(k−1)，所以：
// dt 单位为秒 F[0][0] = 1.0f; F[0][1] = dt; F[1][0] = 0.0f; F[1][1] = 1.0f;观测矩阵H其实只用观测角速度：H = [0, 1]。
过程噪声Q反映模型的不可信程度。匀速模型忽略了角加速度，所以角度方程的不确定性来自角加速度。工程上常用的Q构造方式是取一个加速度噪声参数q，角度项为q·dt³/3，速度项为q·dt，交叉项为q·dt²/2。你可以先不纠结这个公式怎么来的，先用经验值调，看收敛效果。
观测噪声R就是陀螺仪读数的方差。这个可以在静止状态下采几百个点直接算方差，是个很实在的初始化方法，比瞎猜好得多。
// 静止采样计算 R float mean = 0, var = 0; for (int i = 0; i < 500; i++) mean += data[i]; mean /= 500; for (int i = 0; i < 500; i++) var += (data[i]-mean)*(data[i]-mean); var /= 500; R[0][0] = var;注意：R的标定一定要在机器人静止、电机不转、没有外力干扰的条件下做。如果标定的时候云台在抖动，算出来的方差会偏大，滤波器就会过度信任模型、不够信任观测，动态响应变迟钝。
Q和R的比值才是决定滤波器行为的关键。Q/R大，滤波器更信任观测，响应快但噪声大；Q/R小，更信任模型，平滑但滞后。我一般把R按实测方差固定，然后只调Q一个参数，这样调试维度只有一维，容易收敛。
3.4 用NumPy做离线对拍验证
在板子上调试卡尔曼的效率很低，因为你没法实时看中间量。我的做法是先在PC上用NumPy把整套算法跑一遍，用记录下来的真实数据离线验证，确认模型和参数没问题了，再移植到板子上。
NumPy写卡尔曼特别短，十几行的事：
import numpy as np x = np.array([[0.0], [0.0]]) P = np.eye(2) * 1.0 F = np.array([[1.0, dt], [0.0, 1.0]]) H = np.array([[0.0, 1.0]]) Q = np.diag([q_angle, q_gyro]) R = np.array([[r_gyro]]) for z in measurements: x = F @ x P = F @ P @ F.T + Q S = H @ P @ H.T + R K = P @ H.T @ np.linalg.inv(S) x = x + K @ (np.array([[z]]) - H @ x) P = (np.eye(2) - K @ H) @ P对拍的关键是：把你板子上记录的陀螺仪原始数据导出成csv，用这段NumPy代码跑一遍，再用板子的mcu代码跑一遍同样的数据（可以通过串口回放），比较两者的输出。如果对不上，大概率是维度、单位或者乘法顺序的问题。这个流程能帮你把90%的移植bug拦在板子之外。
我个人的经验：先把NumPy版本的参数调到一个满意状态，把当时所有矩阵的初始值原样抄到C代码里。别在两边分别调，否则你永远不知道差异是来自代码还是参数。
4. 数值实操中的坑与排查记录
4.1 协方差矩阵失对称、失正定的修复手法
浮点运算的舍入误差会让协方差矩阵P慢慢失去对称性。理论上来讲P永远对称，但计算机会让你看到P[0][1]和P[1][0]差了一个很小的数。这个误差短期不要紧，长期累积可能导致P失去正定性，Cholesky分解失败，然后输出NaN。
修复方法很直接：每次更新完P之后，强制对称化，P = (P + Pᵀ)/2。这一行操作的代价很小，但能显著提升长期稳定性。
进一步的正定性保证需要更工程化的做法。协方差更新除了标准形式P = (I−KH)P⁻，还有一个叫Joseph形式：
// Joseph form: P = (I-KH)P(I-KH)^T + K R K^TJoseph形式的计算量大一些，但它在数值上保证结果对称且半正定，即使K不是最优增益也不会出负定。在RM这种控制周期很短、跑很久不能重启的场景里，用Joseph形式换来的稳定性是值得的。
还有一个兜底手段：每次更新后检查P的对角线元素，如果出现负数，就把它钳到一个小正数。这个操作有点粗暴，但它能防止滤波器因为一次数值意外彻底崩溃。我一般不推荐依赖钳位，但作为最后的保险可以留着。
4.2 单位、量纲、坐标系不一致的连锁反应
这是新手最容易踩、又最不容易发现的坑。卡尔曼滤波的公式本身是量纲无关的，但你的代码是有量纲的。如果dt用的是毫秒、速度用的是米每秒、角度用的是度，那一堆数字乘在一起你根本看不出错在哪，因为量纲不会在编译期报错。
我列几个具体的检查点。dt的单位，必须是秒，因为角速度的单位一般是弧度每秒。角度的单位，统一用弧度，别一会儿度一会儿弧度，三角函数库基本都是吃弧度的。旋转矩阵的方向，是机体系到世界系还是反过来，这个搞反了滤波器会往完全错误的方向收敛，而且因为数学成立，你不会收到任何报错。
坐标系这块再展开说一下。RM的IMU装在云台上，陀螺仪测的是机体系角速度，但姿态通常定义在世界系。从机体系到世界系的转换用旋转矩阵R_wb。卡尔曼的F矩阵如果涉及坐标系转换，必须把R_wb乘进去。很多同学直接在机体系里做积分，然后奇怪为什么云台转一圈角度不对——因为你积分的是机体系角速度，而机体系本身在转。
排查这类问题最快的办法是做单轴旋转实验：只让云台绕yaw轴慢慢转，看估计角度和实际角度对不对得上。对不上再单独测pitch、roll。三个轴逐个验证过，坐标系的问题基本就暴露了。
4.3 常见问题速查表
| 现象 | 可能原因 | 排查与解决 |
|---|---|---|
| 状态估计发散到无穷 | Q过大或H设置让某状态不可观测 | 检查H秩，减小Q，确认状态可观测性 |
| 输出NaN | 协方差矩阵失去正定，Cholesky失败 | 强制对称化，改用Joseph形式，加钳位 |
| 响应迟钝，跟不上真实值 | R过大或Q过小 | 重新标定R，增大Q |
| 输出抖得厉害 | R过小或Q过大 | 增大R，减小Q |
| 新息长期偏一边 | 模型有系统偏差或状态量缺失 | 检查F、H模型，考虑增加状态维度 |
| 静止时角度缓慢漂移 | 角速度零偏未建模 | 把零偏加入状态向量，一起估计 |
| 三个轴互相干扰 | 忽略了轴间耦合 | 用完整协方差矩阵，不要各轴独立跑 |
这张表是我自己备赛期间记下来的，基本上遇到的坑都能对上号。速查表的价值在于，你在板子前抓耳挠腮的时候，有个东西能快速帮你定位方向，而不是从头推公式。
一个独家心得：调试卡尔曼的时候，把P的对角线和卡尔曼增益K都打印出来。看P能判断滤波器自不自信，看K能判断它更信观测还是更信模型。这两个量的变化趋势，比状态输出本身更能告诉你滤波器是不是健康。
5. 学习路径：史荣昌那本书到底怎么用
5.1 别一上来就啃证明
史荣昌的《矩阵分析》和《矩阵分析引论》是国内很多学校的指定教材，内容全、体系严谨，但它是为数学系和研究生课程写的，证明密度很高。如果你拿它当第一本矩阵入门书从头读到尾，大概率读到第三章就放弃了。
我的用法是把它当工具书。你需要什么查什么：要用到矩阵求导了，查矩阵微分那一章；要用到特征值分解了，查矩阵分解那一章。查的时候重点看结论和使用条件，证明能看懂就看，看不懂先跳过，等用顺手了再回头补。
配合着看，可以再找一本偏工程的线性代数教材打底，把向量、矩阵、线性变换的几何直观建立起来，然后再回来看史荣昌的书，会顺很多。顺序反了的话，你会觉得什么都懂一点，但什么都用不上。
5.2 三周入门练习清单
如果要给一个可执行的计划，我会这么排。第一周，把矩阵的加、乘、转置、逆、行列式、秩这些基础操作在纸上和NumPy里各过一遍，重点是建立维度直觉，看到公式就知道每个矩阵是几乘几。同时搞清楚什么是正定、什么是对称。
第二周，专项攻克协方差矩阵和矩阵求导。协方差矩阵要理解它在描述什么，能自己写出一个二维协方差矩阵并解释每个元素。矩阵求导把前面说的两个核心公式和几个迹的恒等式过一遍，然后找一份卡尔曼推导，自己推一遍。
第三周，把卡尔曼的五个公式用NumPy实现，跑通一个简单例子，比如用模拟的带噪声数据估计一个匀速运动的位置和速度。跑通之后，再把同样的模型换成RM里云台角度的场景，用记录的数据验证。三周下来，你对卡尔曼的理解会超过大多数只会调库的人。
我个人体会最深的一点是：矩阵分析这东西，光看是没有用的，必须动手写。你写代码的时候被维度对不上折磨几次，看推导的时候卡住几回，那些符号才真正变成你自己的东西。我们队里进步最快的队员，都不是天赋最好的，而是那种愿意把每个矩阵多敲一遍、把每个中间量多打印一次的。滤波器不会骗你，你糊弄它，它就用发散回敬你。
