无迹卡尔曼滤波的状态建模方式，比较适合非线性系统的信号。原理其实不复杂，核心就是通过一套“采样点”和“均值协方差”的计算，把系统状态估得更准。嗯，滤波精度比扩展卡尔曼还要稳点，是在系统不太线性的时候效果更。

状态空间模型的构建，是整个滤波的基础。建议用Matlab搭配来搞，工具支持比较全，而且文档和例子也多。网上也有不少可跑通的代码，比如无迹粒子滤波的 Matlab 实现，可以参考下。

信号滤波这一块，主要是降噪+状态预测。适用于那种传感器数据有波动的场景，比如自动驾驶、飞控系统啥的。代码逻辑还算清晰，调参的时候记得注意协方差矩阵的设置，影响挺大的。

对比类的资源你也可以看看，比如扩展卡尔曼 VS 无迹卡尔曼，看清楚两者在非线性上的差异。还有非线性滤波+卡尔曼+h∞，也蛮有用。

如果你正好在搞MPC或者状态空间建模，建议顺手看下这个MPC 工具教程，多思路是通的，用起来更顺。

哦对了，滤波记得要用合理的时间步长，不然结果跳得会比较狠。状态转移模型别乱写，动态系统里，稳定性是第一位的。