現在你已經明白如何整合測量， 如何整合運動，完成了一維卡爾曼濾波，不過在現實中我們經常遇到多維的情況。
這就涉及到很多因素，舉例，並說明為什么在較多緯度狀態空間中估測很重要。
假設你有一個x和y的二維空間-比如一幅攝像頭圖像，或者在我們的例子中 我們可能采用一輛載有雷達的汽車來檢測
車輛隨着時間變化的位置，這時候二維卡爾曼濾波就非常適合。
具體工作原理是這樣的，假設在時間t=0時 你觀察到感興趣的對象將位於這個坐標
這可能是谷歌無人駕駛車項目的另一輛車。一段時間后 你會看到它在這里，t=1,在過一段時間，在t=2處。
t=3時 在哪？
當你進行估算並且計算高緯度空間時 卡爾曼濾波器不僅能幫你進入x和y 空間，還能讓你明確的弄清楚對象的速度是多少？
然后根據速度估計對未來做出很好的預測，現在請注意傳感器本身只能看到位置，他無法看到實際速度，速度是從看到多個位置推斷的，因此在跟蹤應用程序中，卡爾曼濾波器最令人驚奇的功能之一是即使他沒有直接測量，他也能得出對象的速度
然后根據速度預測出該速度出現的未來位置。這就是卡爾曼濾波器在人工智能和控制理論方面成為流行的原因。
卡爾曼濾波器后續
現在，你已經部署了一個一維卡爾曼濾波器，並且對多維卡爾曼濾波器的工作原理有了一些直觀的認識。
但是，如果要在二維或三維世界（或者機器人學術語中的“狀態空間”）中實際制造（甚至使用）卡爾曼濾波器，我們首先需要更深入地了解“狀態”這個詞的意思。
不過你無需擔心，我們很快就會回到多維卡爾曼濾波器的相關課程！