第5章到达时间滤波器（Arrival Time Filter）

课程目录第5章到达时间滤波器（Arrival Time Filter）

5、到达时间滤波器（Arrival Time Filter）：卡尔曼滤波器原理、到达时间模型、滤波器参数调优、代码实现思路

各位好，今天我们聊一个在 WebRTC 拥塞控制里非常核心，但又容易被忽视的模块——到达时间滤波器。

说白了，它就是整个拥塞控制算法的“眼睛”。没有它，你根本看不清网络到底堵不堵。我当年刚接触 WebRTC 源码时，第一反应是：不就是算个延迟嘛，有什么难的？结果被现实狠狠教育了一顿。

嗯，今天我们就把它彻底讲透。

5.1 为什么需要卡尔曼滤波器？

先问一个问题：你从 A 点发一个包到 B 点，测出来的延迟抖动，真的是网络拥塞导致的吗？

不一定。可能是系统调度延迟、可能是 CPU 忙、也可能是网卡缓存抖动。这些噪声，会把真实信号淹没掉。

卡尔曼滤波器的作用，就是从一堆带噪声的观测值里，把真实的状态估计出来。它不要求你存一堆历史数据，而是用递推的方式，每来一个新数据就更新一次估计。

我在项目中遇到过一种情况：某次测试，网络明明没堵，但延迟抖动特别大。如果直接用原始数据做判断，拥塞控制器会误触发降码率。后来加了卡尔曼滤波，问题就解决了。说白了，它就是帮你“去伪存真”。

  核心思想：卡尔曼滤波器不是“平滑”数据，而是“估计”状态。它知道观测有噪声，也知道系统本身有不确定性，然后给出一个最优的折中。

5.2 到达时间模型

要理解滤波器，先得理解它要估计什么。

WebRTC 的到达时间模型，其实很简单。我们定义两个关键变量：

m(t)：单向延迟的斜率（slope），单位是 ms/ms。它表示每单位时间，延迟增加了多少。
c(t)：噪声项，或者说截距偏移。

为什么是这两个？因为网络拥塞的本质，就是排队延迟在增长。如果 m(t) 是正的，说明队列在变长；如果是负的，说明队列在缩短；如果是 0，说明网络很稳。

我个人的习惯是，把 m(t) 想象成“水龙头的水位变化速度”。水龙头开大了（拥塞），水位就涨得快；关小了，水位就降。

那么观测值是什么呢？是每两个包组之间的延迟差。我们记作 d(i)。它和状态的关系是：

d(i) = m(i) * T(i) + c(i) + v(i)

其中 T(i) 是包组之间的时间间隔，v(i) 是观测噪声。你看，这就是一个典型的线性观测模型。

一个小技巧：实际实现时，T(i) 通常用两个包组的发送时间差，而不是接收时间差。因为发送时间更稳定，不受网络抖动影响。

5.3 卡尔曼滤波器原理（简化版）

我不会把卡尔曼滤波的数学公式全抄一遍，那没意思。我只讲 WebRTC 里怎么用的。

WebRTC 用的是一维卡尔曼滤波器，只估计 m(t) 这一个状态。c(t) 被当作已知的偏差，在观测方程里减掉。

整个流程分两步：

预测（Predict）：根据上一时刻的状态，预测当前时刻的状态。因为 m(t) 变化很慢，所以预测值就等于上一时刻的估计值。
更新（Update）：用新来的观测值 d(i) 去修正预测值。修正的幅度，取决于“卡尔曼增益”。

卡尔曼增益 K 是怎么算的？它取决于两个东西：

过程噪声方差 Q：表示系统本身的不确定性。Q 越大，说明 m(t) 变化越快，滤波器越“相信”新观测值。
观测噪声方差 R：表示测量噪声的大小。R 越大，说明观测值越不可靠，滤波器越“保守”。

说白了，K 就是 Q 和 R 的博弈。Q 大，K 大，滤波器反应快；R 大，K 小，滤波器反应慢。

注意：千万不要把 Q 和 R 设成固定值。我曾经犯过这个错，结果滤波器在低延迟网络里反应太慢，在高抖动网络里又反应太快。正确的做法是让 R 自适应——观测值变化越大，R 就设得越大。

5.4 滤波器参数调优

调参这件事，说实话，没有银弹。但我可以分享一些经验。

WebRTC 里默认的参数是这样的：

参数	默认值	说明
Q（过程噪声）	1e-12	非常小，假设 m(t) 几乎不变
R（观测噪声）	自适应	基于残差的方差动态调整
初始 P（误差协方差）	1e-4	初始不确定性，收敛后会变小

我个人习惯的做法是：

如果网络环境很稳定（比如有线局域网），可以把 Q 设得更小，让滤波器更平滑。
如果网络环境很恶劣（比如 4G 弱信号），需要适当增大 Q，让滤波器能跟上快速变化。
R 的自适应算法，我建议用指数加权移动平均（EWMA）来估计残差的方差，比直接用窗口平均更稳定。

你想想看，调参的本质是什么？是你在告诉滤波器：“你该相信模型，还是相信观测？” 没有标准答案，只有经验。

5.5 代码实现思路

最后，我们看看代码怎么写。我不会贴完整的 WebRTC 源码，那太长了。我给出一个核心的伪代码框架，你理解了就能自己实现。

class ArrivalTimeFilter {
public:
  ArrivalTimeFilter() {
    // 初始化状态
    m_ = 0.0;          // 斜率估计值
    P_ = 1e-4;         // 误差协方差
    Q_ = 1e-12;        // 过程噪声
    R_ = 1e-3;         // 观测噪声（初始值）
  }

  // 每次来一个新的延迟差，调用这个函数
  void Update(double d, double T, double residual_variance) {
    // 1. 预测步骤
    // 状态预测：m_pred = m_
    // 协方差预测：P_pred = P_ + Q_
    double P_pred = P_ + Q_;

    // 2. 更新观测噪声 R（自适应）
    R_ = 0.9 * R_ + 0.1 * residual_variance;

    // 3. 计算卡尔曼增益
    double K = P_pred / (P_pred + R_);

    // 4. 计算残差（观测值 - 预测值）
    double residual = d - (m_ * T);

    // 5. 更新状态
    m_ = m_ + K * residual;

    // 6. 更新协方差
    P_ = (1 - K) * P_pred;
  }

  double GetSlope() const { return m_; }

private:
  double m_;  // 斜率估计
  double P_;  // 误差协方差
  double Q_;  // 过程噪声
  double R_;  // 观测噪声
};

这段代码，就是整个到达时间滤波器的核心。你把它放到你的拥塞控制模块里，每收到一个包组，就调用一次 Update，然后根据 GetSlope() 的正负和大小，判断网络是否拥塞。

一个优化点：实际工程中，T 可能为 0（两个包组同时发送）。这时候要加一个保护，避免除零。我一般会限制 T 的最小值为 1ms。

5.6 知识体系总览

为了让你更直观地理解整个模块的脉络，我画了一张图。它展示了从原始数据到最终拥塞判断的完整流程。

这张图把整个流程串起来了。从原始数据，到模型，到滤波器，再到最终输出，每一步都环环相扣。你写代码的时候，就照着这个流程来。

好了，关于到达时间滤波器，我们就讲到这里。记住，卡尔曼滤波器不是魔法，它只是一个工具。用得好，它能帮你从噪声中看清真相；用得不好，它反而会引入更多问题。多调参，多测试，慢慢你就会有感觉。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

5、到达时间滤波器（Arrival Time Filter）：卡尔曼滤波器原理、到达时间模型、滤波器参数调优、代码实现思路

5.1 为什么需要卡尔曼滤波器？

5.2 到达时间模型

5.3 卡尔曼滤波器原理（简化版）

5.4 滤波器参数调优

5.5 代码实现思路

5.6 知识体系总览