对于松耦合融入状态预测过程，最典型的是卡尔曼滤波，其主要作用是对多个传感器进行融合处理，估计出良好的状态值。 处理一般分为松散结合和紧密结合。
松耦合是指只将传感器的结果数据作为观测值，更新预测值。
例如，将IMU作为预测的原始数据进行计算，将GPS定位的结果作为观测值进行误差修正更新，在逻辑上简单实用，而且通过使用多传感器进行融合可以提高精度。
另一方面，在严密结合的情况下，使用GPS的伪距数据和其他更原始、更完整的数据进行计算很复杂。
例如，
在进行EKF预测运算时，使用IMU作为预测数据进行计算，一旦产生IMU数据，立即进行姿势预测，将GPS数据和LiDAR数据等其他传感器的数据作为参照观测值使用，在产生观测值数据时，使用观测值修正预测值
因此，松散耦合使用的传感器越多越容易修正估计误差，以IMU为预测数据传感器，其他传感器为观测传感器是主流。
有关卡尔曼滤波的详细介绍，建议在IMU中使用博文深度分析卡尔曼滤波。 写得很详细。
在此，简单提取主要步骤以供参考。
两个模型的状态方程
xk=FX k1 buk kx _ k=FX _ { k-1 } bu _ kw _ kxk=FX k1 buk wk
测量方程
z k=H x k v k z_k=Hx_k v_k zk=Hxk vk
预测阶段k时刻的系统状态先验估计
x^kk1=fx^k1k1
+ B u k hat {x}_{k|k-1} = F hat x_{k-1|k-1} +Bu_k x^k∣k−1=Fx^k−1∣k−1+Buk计算误差协方差
P k ∣ k − 1 = F P k − 1 ∣ k − 1 F T + Q k P_{k|k-1} = FP_{k-1|k-1}F^T +Q_k Pk∣k−1=FPk−1∣k−1FT+Qk 更新/校正阶段
计算残差
y ~ k = z k − H x ^ k ∣ k − 1 tilde y_k = z_k - H hat x_{k|k-1} y~k=zk−Hx^k∣k−1
计算残差协方差
S k = H P k ∣ k − 1 H T + R S_k = HP_{k|k-1}H^{T} +R Sk=HPk∣k−1HT+R
计算增益(置信度)
K k = P k ∣ k − 1 H T S k − 1 K_k = P_{k|k-1}H^TS_k^{-1} Kk=Pk∣k−1HTSk−1