Answers:
您可以获取实验数据，并进行一些统计分析以确定过程噪声（时间步长之间的噪声）和传感器噪声（与实际情况相比）。
为了获得传感器噪声的真实情况，您要么需要更精确的传感器，要么进行实验测试，同时将感兴趣的状态保持在已知（通常是固定的）值。
如果没有实验数据，则可以使用每个传感器的数据表或规格来确定其噪声。在这种情况下，过程噪声将更加困难，但是如果执行器是过程噪声的主要来源，则您可以通过假设一定量的噪声（例如由执行器引起）来猜测其值。
另一种方法是考虑允许估计的最大建立时间。这将确定过程噪声和传感器噪声之间的比率。这样可以在满足建立时间要求的同时，发挥最大的过滤效果。
请注意，这并不是调节不同传感器之间或不同状态之间的比率的好方法，因此并不完美。
基本上，如果您有实验数据，则可以获得最佳性能。否则，您只能通过假设过程噪声的主要贡献者噪声或确定所需的最低性能（不是最佳性能，但至少获得所需的最低性能）来计算过程噪声。
在机器学习领域，我们将卡尔曼滤波器视为潜在变量模型的推理算法。测量值是可见的，但真实状态是隐藏的。您现在想推断出真实状态。
通常，此方法依赖于一组参数，并且-原则上-获得参数最佳点估计的方法是查看数据的可能性（给定参数）并优化参数以获取最大值。这为您提供了最大似然估计。
不幸的是，在卡尔曼滤波器的情况下，这种方法在封闭形式下不是那么容易且难以处理。这是因为我们没有观察到隐藏状态。因此，必须运用一些技巧。其中一种方法是使用Expecation Maximization（EM）算法，这是一种迭代方法：第一步，在当前参数下，计算隐藏状态最可能的值（期望值）。在第二步中，将隐藏状态保持固定，并优化参数以获得最高可能性的解决方案。重复这些步骤，直到收敛为止。
您可以在一大堆有关机器学习的教科书中阅读EM的一般概念（只有一个例子：David Barber的“贝叶斯推理和机器学习”）。Zoubin Ghahramani和Geoffrey Hinton的技术报告中很好地描述了推导线性动力系统参数的过程（为您提供模型的卡尔曼滤波器类型）。
您可能需要阅读Bernt M.Åkesson等人的“卡尔曼滤波器调整工具”。等 它描述了自协方差最小二乘（ALS）方法。