Kalman 过滤器用于持续改善系统的因素估计，如距离、速度和方向。它适用于使用多种方式测量物体的场合，正如机器人由于移动而到了新位置。每次移动后，和每一组测量值后，移动和位置的后续测量值的更多重量传递给这些预测器，而预测器已经通过 Kalman 过滤器进行了鉴定以得出更好的估计值。
Kalman 过滤器解决随机产生的高斯噪声问题。它最小化或过滤噪音，这就是该建构被称为过滤器的原因。它本身就不是一个单独产品，而是一组编码的方程式，作为测量和控制系统的一部分结构。
可用一个简单的方框图表示
作为一个起点，考虑这个方框图：
图 1：Kalman 过滤器的起点。（来源：斯沃斯莫尔学院）
在上述的方框图中， u可能代表一个运动的或制动力，通过应用系数 b，与 x可能得到位置。A是之前的数值 x对现在值 x。方框图的内循环是一个系统，其中，值 x等于以前的值 x（也就是， xj-1），乘以值 a，加上输入 u乘以因数 b。Wj，或噪音，也必须作为因素计入“T”插入意味着，这是一个递归过程。内循环的另外一种说法是：
xj= axj-1+ buj+ wj
内循环的最后一部分描述测量 xj乘以 h。当然，噪音与测量系统有关 Vj纳入用方程形式就是：
Zj= hxj+ vj
看上面的图框
现在，我们回到 Kalman 过滤器的基本目的，即消除与运动和测量有关的噪音。这可以通过预测和校正完成。Kalman 过滤器在上一个值的基础上 x预测下一个值 x。然后，通过比较两个估计值以进行校正（a.k.a.测量值）。由于内循环，系统对以前的估计有了“记忆”，Kalman 滤波器最小化估计值误差就显示了这一点。图 3 表示了这一点。
用于预测行列初始位置的图解表示法如下：
图 2：可能的初始位置。（来源：剑桥大学 Ramsey Faragher 的课堂讲稿）
红色信封代表一个行列初始位置的高斯分布。一次迭代后，行列被迫向前移动，行列图片的变动如下所示。
图 3：做出更好的估计。（来源：剑桥大学 Ramsey Faragher 的课堂讲稿）
当行列被迫向前移动后，粉红色区域代表新位置的高斯包络预测；蓝色区域是位置测量值的分布。绿色区域是根据预测和测量值而得到的新位置估计。因此，每次迭代后，可获得更多的知识，而这归功于 Kalman 滤波器。
最终结果是，系统设计人员通过 Kalman 滤波器获得值可最接近噪音和不确定估计数值。这一过程是递归的，随着时间的推移，系统得到改进，可取得更有效的控制和更好的结果。