卡尔曼滤波器何时会比简单的移动平均值给出更好的结果？

我最近在一个以随机速度和加速度测量粒子位置的简单示例上实现了卡尔曼滤波器。我发现卡尔曼滤波效果很好，但是随后我问自己，做一次移动平均线有什么区别？我发现，如果我使用约10个样本的窗口，则移动平均值优于Kalman滤波器，并且我试图寻找一个使用Kalman滤波器时仅使用移动平均值的优势的示例。

我觉得移动平均值比卡尔曼滤波器直观得多，您可以盲目地将其应用于信号，而不必担心状态空间机制。我觉得我在这里缺少一些基本的东西，希望有人能提供任何帮助。

移动平均线给出的估计值将落后于真实状态。

假设您要测量以恒定速度上升的飞机的高度，并且有嘈杂的（高斯）高度测量值。在嘈杂的高度测量的时间间隔内取平均值，可能会很好地估计飞机在该时间间隔中间的位置。

如果将较大的时间间隔用于移动平均值，则平均值会更准确，但会在更早的时间估算飞机的高度。如果为移动平均值使用较小的时间间隔，则平均值的准确性会降低，但会在最近的时间估算飞机的高度。

也就是说，移动平均线的滞后在某些应用程序中可能不会造成问题。

编辑：这篇文章问同样的问题，并有更多的答复和资源

我发现使用用于设置问题的原始参数，移动平均线的性能更好，但是当我开始使用定义动态模型的参数时，我发现卡尔曼滤波器的性能要好得多。现在，我已经进行了一些设置来查看参数发挥的作用，我想我将对正在发生的事情有一个更好的直觉。谢谢那些回答的人，如果我的问题含糊其词，我们深表歉意。