我这些年做自动驾驶状态估计，坦白讲，滤波器这块绕不开的就是卡尔曼滤波家族。而扩展卡尔曼滤波（EKF），基本是量产项目里最常见、最稳的那个选择。标题里这个“扩展”二字，背后其实是一整套针对非线性系统的处理思路，跟经典卡尔曼滤波（KF）有本质区别。这篇就把EKF在自动驾驶里的来龙去脉、数学原理、实操步骤和踩坑经验一次说透，适合正在做传感器融合、车辆状态估计或者刚入行定位模块的工程师参考。
1. 为什么自动驾驶的状态估计绕不开EKF
1.1 车辆行驶本质上是非线性过程
很多人刚接触自动驾驶定位时会有个疑问：经典KF理论那么成熟，线性高斯假设下是最小方差无偏估计，为什么实际工程中几乎没人用标准KF直接做车辆状态估计？答案很简单——车辆运动模型和传感器观测模型，几乎没有一个是线性的。
你想想看，车辆运动学里有航向角，位置更新要用到速度和航向的三角函数组合，也就是x的增量是v乘以cos(θ)。这个cos和sin一出现，系统方程就变成了非线性的。经典KF的前提是“线性系统+高斯噪声”，它在推导过程中假设状态转移矩阵和观测矩阵都是常系数矩阵，直接套用到非线性系统上，结果会严重偏掉。
还有一个更直观的例子。你用GPS观测车辆的经纬度，观测方程里要把ECEF坐标系下的位置转换到经纬高，这中间涉及地球椭球模型、坐标旋转矩阵，每一个环节都是非线性的。哪怕用一个简化二维模型，航向角跟位置之间的耦合关系也是典型的非线性映射。这些场景里，标准KF根本没法直接建模。
1.2 EKF的核心思路就是“线性化”
EKF的思路非常工程化：既然系统是非线性的，那我在当前状态估计值附近，把非线性函数做一阶泰勒展开，用雅可比矩阵（Jacobian）代替原来KF里的状态转移矩阵和观测矩阵。线性化之后，KF那一整套递推框架还能继续用，代价只是引入了一点点近似误差。
换句话说，EKF干的事情就是“在每一个时间步，动态地求当前工作点附近的线性近似”，然后用这个近似去做预测和更新。这个思路朴素但极其有效，工程上只要保证线性化误差远小于测量噪声和过程噪声，估计精度就是可接受的。这也是为什么EKF在自动驾驶领域统治了这么多年，直到后来无损卡尔曼滤波（UKF）和粒子滤波（PF）出现，才在某些极端非线性场景下逐渐被替代。
说句实在话，UKF和PF在某些高度非线性的场景（比如大曲率弯道、强烈的航向突变）里精度确实更好，但它们的计算量更大、调参更复杂，而且很多情况下EKF通过合理设计状态向量和选择合适的线性化点，已经能把精度做到工程可用。所以在量产项目里，我看到的大多数传感器融合方案，首选仍然是EKF。不是因为它最先进，而是因为它在精度、稳定性、计算成本和工程可控性之间取得了最好的平衡。
2. EKF的数学原理与核心细节解析
2.1 从状态空间模型说起
EKF处理的对象是离散时间状态空间模型，整套公式分为预测和更新两大步。先说标准形式，假设系统是：
x_k = f(x_{k-1}, u_k) + w_k
z_k = h(x_k) + v_k
其中x是状态向量，u是控制输入，w是过程噪声，v是测量噪声。f是状态转移函数，h是观测函数。在自动驾驶场景里，x通常包含位置、速度、航向角，甚至包含加速度计的偏置、陀螺仪的漂移这些传感器误差项。u是IMU测得的加速度和角速度或者车辆底盘反馈的速度和转向角。z则是GPS位置、雷达距离、摄像头检测到的车道线偏移等观测。
跟标准KF最大的不同在于，这里的f和h都不是线性函数。EKF在每个时间步要计算两个雅可比矩阵，也就是对状态求偏导：
F_k = ∂f/∂x | x=x_{k-1}
H_k = ∂h/∂x | x=x_k^{-}
这里的H_k在更新步使用，是预测后的状态x_k^{-}处求偏导。雅可比矩阵的物理意义就是：在当前估计点附近，状态变化一小步，预测值和观测值会跟着变化多少。
2.2 预测步和更新步的完整推导
预测步做的事情是根据上一时刻的最优估计，结合控制输入，推算当前时刻的先验估计。公式如下：
x_k^{-} = f(x_{k-1}, u_k)
P_k^{-} = F_k P_{k-1} F_k^T + Q
这里的P是状态协方差矩阵，P_k^{-}是先验协方差，Q是过程噪声协方差矩阵。公式中F_k P_{k-1} F_k^T这个结构，本质是把上一时刻的不确定性通过线性化后的状态转移传播到当前时刻，同时加上过程噪声引入的新不确定性。如果你接触过概率论，这个传播过程就是协方差的线性变换，F_k相当于变换矩阵。
更新步做的事情是用实际测量值去修正先验估计。先计算卡尔曼增益：
K_k = P_k^{-} H_k^T (H_k P_k^{-} H_k^T + R)^{-1}
然后更新状态和协方差：
x_k = x_k^{-} + K_k (z_k - h(x_k^{-}))
P_k = (I - K_k H_k) P_k^{-}
卡尔曼增益K的物理意义是权衡预测和测量谁更可信。如果测量噪声R很小，K会变大，说明我更信任传感器；如果过程噪声Q很小，P_k^{-}会变小，K会变小，说明我更信任模型预测。
这里有个细节容易被忽视：观测残差的计算必须用z_k - h(x_k^{-})，也就是说要把预测状态通过非线性观测函数映射到观测空间，再用真实测量值减去这个预测观测值。很多人刚上手时直接用z_k - H x_k^{-}，这在标准KF里是对的，但在EKF里就是错误操作，因为h不是线性函数，不能直接用一个矩阵H乘过去。这个问题在实际调试中太常见了，后面我会专门说。
2.3 雅可比矩阵计算与线性化误差控制
雅可比矩阵是整个EKF的数学核心。以一个简单的匀转速运动模型（CTRV）为例，状态向量常取为：
x = [px, py, v, ψ, ω]
px、py是位置，v是速度，ψ是航向角，ω是航向角变化率。状态转移函数f为：
f(x) = [px + (v/ω)(sin(ψ + ωΔt) - sin(ψ)), py + (v/ω)(-cos(ψ + ωΔt) + cos(ψ)), v, ψ + ωΔt, ω]
对px求偏导时，结果是1，对py求偏导时结果是0，这条很简单。但对ψ求偏导时，要区分两种情况：ω趋近于0时，极限结果是v乘以cos(ψ)再乘以Δt；ω非零时，结果是(v/ω)[cos(ψ+ωΔt) - cos(ψ)]。这些雅可比矩阵里的项很容易算错，建议写代码时用符号计算工具（比如Python的SymPy）辅助推导，然后再手工验证一遍。直接用数值微分法代替解析雅可比在运行效率上是可行的，但精度会受步长影响，不太推荐在量产代码里用。
另外一个关键点是线性化误差控制。一阶泰勒展开天然忽略了高阶项，当系统在强非线性区域（比如急转弯、大曲率路径）时，线性化误差会显著增大。这会导致滤波器估计发散或者精度退化。工程上通常有几个应对思路：
- 适当增大过程噪声Q，吸收未建模的非线性误差。这相当于告诉滤波器：“我对模型的信任度没那么高”，从而让滤波增益偏向测量信息。
- 提高传感器的观测更新频率，让每一步的线性化工作点更接近真实状态。
- 在状态向量中显式建模一些动态变量（比如角加速度、加加速度），使得一阶模型能更好地逼近真实状态变化。
这些方法本质上都是在“线性化误差”和“估计精度”之间做权衡。没有一套放之四海而皆准的参数，必须在具体场景下试凑和整定。
2.4 状态扩维与传感器误差建模
刚才提到可以往状态向量里加传感器误差项，这在EKF里叫状态扩维。比如IMU的加速度计和陀螺仪通常有零偏，你要是想实现“GPS+IMU紧耦合”的融合方案，最简单可靠的做法就是把加速度计偏置b_a和陀螺仪偏置b_g也纳入状态向量：
x = [p, v, q, b_a, b_g]
这里的q是姿态四元数，因为欧拉角在俯仰角接近±90度时会遇到“万向锁”问题，导致姿态解算奇异。四元数没有这个问题，但四元数需要归一化处理，而且在雅可比矩阵计算中更复杂。这算是一个进阶话题，大部分入门项目用欧拉角加小角度假设就够了，但当车辆在坡道上行驶或者有较大俯仰运动时，建议还是老老实实用四元数。
状态扩维的价值在于，滤波器会自动估计并校正传感器的零偏，不用你自己去单独标定。这两个零偏状态的可观测性取决于运动激励，如果车辆一直直线匀速行驶，零偏的估计通常会很慢甚至发散。所以你会发现，很多自动驾驶系统在起步阶段会有一个“激发运动”的标定动作，比如走一个“8”字或者蛇形路线，目的就是让零偏可观测。
3. 自动驾驶典型应用场景拆解
3.1 GPS与IMU融合定位
GPS和IMU的融合是EKF最经典的应用场景，没有之一。GPS绝对位置更新慢（通常10Hz左右），在城市峡谷、隧道里容易丢星，定位跳动大；IMU输出频率高（100Hz以上），短时间积分精度不错，但长期积分会产生漂移。两者一融合，正好互补。
在EKF框架下，IMU作为运动学模型的驱动源，输出加速度和角速度，用于预测步；GPS作为绝对位置观测，用于更新步。实际工程中，GPS接收机输出不仅包含经纬度，还包含速度、航向角、水平精度因子（HDOP）等信息。这些都可以作为观测向量的一部分，甚至有些接收机还输出原始的载波相位和伪距观测值，配合RTK可以达到厘米级精度，这就是更深层的紧耦合方案了。
这里有个实操注意点：GPS的经纬度坐标需要先转换到当地切平面坐标系下，工程上最常见的是UTM（通用横轴墨卡托）投影或者自定义的局部ENU坐标系。转换过程中，要注意中央经线选择和带号问题，否则你看似在同一个城市走了几公里，实际上坐标系之间的偏移误差可能已经达到了几十米。
把GPS观测的误差建模到R矩阵时，可以直接使用接收机输出的HDOP，或者更稳妥的做法是根据载波相位锁定状态、卫星数量等因素动态调整R值。经验法则是，城市峡谷环境下GPS噪声方差会比开阔环境大10到20倍，你如果用一个固定R值跑路测，大概率能看到位置估计出现锯齿状跳变，因为GPS自身噪声变化太剧烈，但滤波器不知道。
3.2 车辆运动学模型建模与状态预测
除了IMU驱动模型，还可以使用车辆底盘信息来构建运动学模型。前轮驱动的自行车模型（Bicycle Model）是工程上最常用的简化方案，它假设车辆只有两个轮子（前轮和后轮），后轮没有转向角，前轮转角就是方向盘转角。模型公式为：
x_{k+1} = x_k + v_k * cos(ψ_k + β_k) * Δt
y_{k+1} = y_k + v_k * sin(ψ_k + β_k) * Δt
ψ_{k+1} = ψ_k + (v_k / L) * sin(β_k) * Δt
这里的β是质心侧偏角，L是轴距。如果忽略侧偏角，β等于0，模型进一步简化为：
x_{k+1} = x_k + v_k * cos(ψ_k) * Δt
y_{k+1} = y_k + v_k * sin(ψ_k) * Δt
ψ_{k+1} = ψ_k + (v_k / L) * tan(δ_k) * Δt
δ是前轮转角。
这个模型的好处是简单、计算量极小、物理意义明确，适合低速、转弯半径较大的场景。但它没法精确描述车辆的高速动态特性，尤其是当轮胎进入非线性区域以后，侧偏角的影响越来越大。所以在高速场景，你可能需要用到更复杂的动力学模型（比如魔术公式轮胎模型），或者直接把IMU的角速度作为航向变化率的观测，配合运动学模型做数据融合。
实际操作中，我更建议从车辆CAN总线上读取车速和方向盘转角，而不是纯靠IMU。原因有两方面：一是车辆底盘车速信号通常经过了轮速传感器平均和标定，比IMU加速度积分出来的速度稳定得多；二是方向盘转角跟车辆实际转向之间有换算关系（转向传动比），可以把轮速和转角直接映射到自行车模型的输入，减少IMU误差累积。当然，底盘信号的实时性和数据掉线问题需要额外关注，做功能安全时不能单纯依赖某一路信号。
3.3 多传感器融合的统一框架
EKF的真正价值在于它是一个统一的状态估计框架，能用一套状态向量融合来自不同传感器的观测。比如在融合GPS和IMU的基础上，你还可以加入：
- 激光雷达匹配结果：把定位模块算出的pose变化量作为观测。
- 摄像头车道线方程：把车辆横向偏移和航向夹角作为观测。
- 轮速传感器：把纵向速度作为观测。
- 毫米波雷达：把目标相对距离和速度作为观测，经过数据关联之后也可以反馈到本车状态估计。
这里就要引入一个概念——观测方程的设计。不同传感器的观测空间不同，你需要在h(x)里写出“从状态向量到该传感器观测”的映射函数。以摄像头车道线为例，车道线方程通常是以摄像头安装位置为原点，输出一个三阶多项式：y = C0 + C1x + C2x^2 + C3*x^3。其中C0是横向偏移，C1是航向夹角。观测函数就得把当前车辆状态里的位置、航向角映射到摄像头坐标系下，再跟C0、C1做差求残差。
这个框架的最大优势是模块化和可扩展性。新增一个传感器时，不需要改动预测模型，只需要实现一个观测函数和一个R矩阵参数，就能把新信息融进来。这也是为什么EKF在自动驾驶领域生命力如此旺盛，它不像深度学习模型需要大规模重新训练，只要数学建模正确，部署一个传感器观测就像插件一样容易。
当然，多传感器融合也有代价。传感器之间的外参标定误差、时间同步误差、数据关联错误，都会直接影响EKF的更新结果。你在调试时可能会发现，某个传感器一接入，滤波结果反而变差了，这时候多半不是EKF的问题，而是外参标定或者时间戳对齐没过关。后面我会详细说这个问题。
4. 实操：从零搭建一个车辆定位EKF
4.1 状态向量与系统模型定义
用一个具体的例子来走通整个流程。假设我们做一个模拟项目X，场景是园区低速自动驾驶，传感器配置是“GPS+IMU+轮速计”。我在工程里实际用到的状态向量是7维：
x = [px, py, v, ψ, b_a, b_g, b_w]
px、py是平面坐标（米），v是纵向速度（米/秒），ψ是航向角（弧度），b_a是加速度计偏置（米/秒²），b_g是陀螺仪偏置（弧度/秒），b_w是轮速计的尺度因子误差（无量纲比例）。
为什么要加b_w这个状态？因为轮速计的实际测量值等于真实速度乘以一个尺度因子，这个尺度因子受轮胎气压、磨损影响会缓慢变化，在滤波器里在线估计它，可以显著提高长时间运行下的速度精度。
状态转移函数f选用“IMU+轮速计混合驱动”的形式。加速度和角速度来自IMU，速度标定来自轮速计。公式为：
px_{k+1} = px_k + v_k * cos(ψ_k) * Δt
py_{k+1} = py_k + v_k * sin(ψ_k) * Δt
v_{k+1} = v_k + (a_k - b_a) * Δt
ψ_{k+1} = ψ_k + (g_k - b_g) * Δt
这里a_k是IMU纵向加速度，g_k是IMU的z轴角速度。轮速计的观测则是一个标量：v_wheel = v * (1 + b_w)。通过观测方程间接校准b_w。
注意这个模型里我用的是“位置积分”，也就是当前速度乘以cos/sin得到位置增量，这是EKF预测步最常用的离散化方式。如果你用IMU加速度二次积分去更新位置，时间一长位置误差会以三次方增长，基本上几分钟就飞掉了，实战中千万别这么干。
4.2 观测方程与数据预处理
观测部分设计为GPS位置观测和轮速观测。GPS观测方程为：
z_gps_px = px + n_gps_px
z_gps_py = py + n_gps_py
也就是说，GPS直接给出位置观测，线性化后H矩阵对应行就是[1, 0, 0, 0, 0, 0, 0]和[0, 1, 0, 0, 0, 0, 0]。
轮速观测为：
z_wheel = v * (1 + b_w) + n_wheel
这个方程对v求偏导是(1 + b_w)，对b_w求偏导是v，非常简单直观，也是个很好的入门练习。
但实际工程没那么简单。GPS原始数据需要先经过坐标转换、野值剔除、噪声方差估计等预处理，不能直接塞进滤波器。我一般会在EKF外层加一个数据质量检查模块，具体做法是：
- 利用GPS输出的状态标志（比如RTK固定解、浮点解、单点解）来决定是否启用该测量值；
- 计算新息向量（残差）的标准化平方和（Normalized Innovation Squared，NIS），超过阈值就认为是野值或者数据关联错误，直接跳过更新步；
- 根据GPS的HDOP动态调整R矩阵值，HDOP大时R也调大，防止低质量观测拉偏状态估计。
这个“质量门控”机制是EKF能在真实环境中稳定运行的关键，也是很多教材里不会提的工程细节。纯理论推导都假设传感器数据是理想的高斯噪声序列，实际数据里掉帧、跳变、时延是常态，你不做门控，滤波器很快就会被脏数据带飞。
4.3 噪声矩阵R和Q的初始化与调参
过程噪声Q矩阵的初始化，很多人直接从文献搬一组参数，这在真实项目中一般不靠谱。因为Q的含义是“模型误差的统计特性”，它跟你用的状态转移函数形式、离散化步长、传感器的物理特性都有关。最实用的方法是：先给一个比较小的初始猜测值，跑一组实际路测数据，观察滤波器的创新序列（innovation sequence）统计特性，再反过来调整Q。
具体做法是，跑完一段数据后，计算创新序列的均值、标准差和协方差，理论上创新序列应当接近零均值白噪声。如果你看到创新标准差远大于理论预测值(P H^T + R)的对角线，说明Q设置得过小，模型预测太自信；如果创新均值非零且呈现慢变趋势，说明模型存在系统性偏差，可能是状态转移函数建模不准或者传感器外参标定有误。
R矩阵相对好调一些，它直接对应传感器噪声方差。大多数传感器厂商会给标称精度指标，比如GPS位置精度1.5米（1σ），IMU角度随机游走等。这些可以作为R的初值，再根据实际数据微调。一个常见的坑是：传感器标称精度是理想环境下的结果，真实环境往往比这个差很多，尤其GPS在遮挡环境下，误差可能达到标称值的5倍以上。所以R调得太小，滤波器会对传感器过度信任，输出结果会比较“抖”。
Q和R的比值决定了卡尔曼增益的大小，也就决定了滤波器是更相信模型还是更相信传感器。整个调参过程就是调整这个信任比例的过程。我的经验是，先调R把“滤波不发散”做稳定，再调Q去平衡响应速度和噪声抑制。不要一上来就同时调十几个参数，那样很难定位问题。
4.4 数据流与时序管理
EKF对数据时序极其敏感。预测步用的IMU数据跟更新步用的GPS数据，必须在同一个时间基准下对齐。实际工程里，各传感器的时间戳往往来自不同的时钟域，如果不做同步，融合结果会出现明显的滞后甚至振荡。
常用的方案有两种：一是“查询最近邻”法，以主传感器（通常是IMU）的节拍作为EKF的主循环，当GPS测量到达时，找时间戳最接近的IMU数据进行配对；二是“缓存-回放”法，先把一段时间内的所有传感器数据缓存下来，按时间戳排序，再逐个喂给EKF。前者实现简单、延迟低，在实时系统中最常用；后者离线数据分析和仿真时更好用。
还有一个细节：IMU通常会有固定的内部延迟，体现在时间戳上就是“软件时间戳”和“硬件采样时刻”差了若干毫秒。这个延迟如果有规律，可以在软件里直接补偿一个固定偏移量。判断延迟是否处理到位的方法很简单——做一次阶跃激励（比如急加速急转），看看滤波输出的位置估计是否存在明显滞后或超调，有的话可能就是时间同步没对齐。
5. 常见问题与排查技巧实录
5.1 滤波发散：位置估计直接飞掉
这是EKF最让人头疼的问题。位置估计突然跳变到离真实位置几百米远的地方，大概率是以下几种原因。
首先检查Q矩阵是否过小。模型不确定性被严重低估后，滤波器会过度信任预测值，一但模型出现偏差（比如轮胎打滑、路面坡度突变），误差无法被测量及时纠正，误差就会在预测步里持续累积，直到下一次更新也无法收敛。对策是把Q适当调大，特别是速度、航向这两个状态的噪声项。
其次检查是否出现了数学上的数值病态。协方差矩阵P在长时间运行后会逐渐失去正定性，尤其是当某些状态不可观测或者观测频率太低时，P的某些元素会趋近于0，卡尔曼增益计算中矩阵求逆就变得不稳定。此时要检查P矩阵的条件数，必要时可以做对称性修正：P = (P + P^T) / 2，保证数值计算的对称性。
还有一个很隐蔽的原因是GPS测量值更新频率不规律。GPS在遮挡环境下可能从10Hz掉到1Hz，如果你在代码里假设固定频率推进预测步，最终会导致预测步的时间间隔跟真实时间不一致，累积下来的时间误差反映在位置估计上就是发散。解决办法是每次预测步都用真实的时间戳差值Δt，而不是固定Δt。
5.2 新息序列异常：数据有问题还是模型有问题
新息（innovation）就是z_k - h(x_k^{-})，它是检验滤波器是否健康的核心指标。正常工作的EKF，新息均值应该接近零，并且没有明显的自相关。一个很实用的技巧是：调试时把新息序列第i个元素除以对应的新息协方差S矩阵的对角元素，得到标准化新息序列，看它是否落在±2标准差范围之内。超过这个范围的比例明显高于理论值，就说明系统里某个假设出了问题。
如果新息大的时候恰好发生在GPS信号差的路段，问题很可能出在R矩阵设定过小；如果新息在每一个弯道都有规律性偏差，那多半是运动模型不够准（比如忽略了侧偏角）；如果新息在启动阶段偏大然后逐渐收敛，通常是初始协方差P0设置不合理，导致初始段滤波器对预测误差的估计偏小。
我自己的调试习惯是，录一段包含直行、弯道、加减速、GPS遮挡的实车数据，离线跑一遍EKF，画出所有状态量的估计曲线、新息曲线、P矩阵对角线曲线。一张图看完，90%的问题都能定位到。
5.3 多传感器融合时互相打架
多传感器加入后，常见的问题是GPS说位置在A点，摄像头车道线观测说车辆偏左了，IMU积分结果又跑到另一头，几个观测量互相“拔河”。本质原因是传感器之间的外参标定误差或者时间同步偏差。检查顺序应该这样来：
第一，确认所有传感器的外参都在同一坐标系定义下，车辆坐标系原点定义、x/y/z轴指向是否一致。很多项目里，摄像头坐标系z轴指向正前方，雷达坐标系z轴指向正上方，一旦混用，结果就差之千里。
第二，做“传感器一致性校验”。计算两个传感器的相对测量差值，画在时间轴上。正常情况下，这个差值应当是一个零均值的高斯分布。如果它出现明显的分段常数偏移，大概率是标定偏差；如果它随时间缓慢漂移，大概率是时间同步问题。
第三，检查EKF里各传感器的更新顺序和频率。如果两个传感器更新频率差异太大，低频率传感器的观测可能会在高频率预测基础上形成“过时校正”，导致振荡。工程上可以给低频观测加一个“时间一致性判断”，当新息的来源时间跟当前滤波时刻偏差超过阈值时，丢弃该观测，或者做分批融合处理。
5.4 EKF状态估计的滞后问题
另一个经常被提到的问题是“估计滞后实车轨迹大概50-100毫秒”。这在过弯场景里会让控制模块感觉“车头指向还没跟上方向盘变化”。滞后主要来自两个环节：传感器自身延迟（比如GPS接收机内部处理就可能有数十毫秒的延迟）和EKF更新步的计算时间。
处理办法主要有三种：用带有延迟补偿的观测模型，在观测方程里把状态前推或后推对齐到观测时间戳；或者在更新完成后做一个短暂的前向预测，把状态“快进”到当前时间；还有一种做法是用固定的传感器延迟估计值做状态补偿，虽然不精确但胜在简单。到底该用哪一种，取决于你对延迟量的掌握程度和系统实时性要求。
说到最后，EKF在自动驾驶中的应用，远不止套公式那么简单。把它用好了，既需要对概率论和状态估计理论有扎实理解，也需要对车辆运动学、传感器特性、时序系统这些工程细节有足够敏感度。我一直觉得，滤波器调试在某种程度上像调音：理论谱面只给了大致框架，真正让它“好听”靠的是一遍遍在真实场景里打磨。动作大一点，Q调高一点，路测多跑一点，自然就找到感觉了。
