扩展卡尔曼滤波器（Extended Kalman Filter, EKF）是卡尔曼滤波器在非线性系统状态估计中的一种重要扩展形式。传统卡尔曼滤波器通过线性模型对系统状态进行最优估计，但在实际工程中，自动驾驶汽车的运动学模型、传感器观测模型等往往呈现非线性特性。EKF通过一阶泰勒展开对非线性函数进行局部线性化近似，从而保留了卡尔曼滤波器递归预测与更新的核心框架，使其能够处理非线性系统的状态估计问题。
在自动驾驶领域，EKF被广泛应用于多传感器数据融合、车辆定位与姿态估计等关键环节。例如，在融合GPS、IMU和轮速计数据时，EKF能有效处理不同坐标系间的非线性转换关系，实时输出车辆的高精度位置和速度信息。相较于传统方法，EKF在计算效率与估计精度之间取得了较好平衡，这使其成为自动驾驶系统中状态估计模块的经典选择。随着计算能力的提升，基于更精确二阶近似的无损卡尔曼滤波器（UKF）等改进算法也逐渐被采用，但EKF因其成熟稳定的特性，仍是多数工程实践的首选方案。