与反电动势估算一样，核心问题是确定电动机的起点。一种解决方案是从初始状态的估计开始，根据该初始状态可以导出预测输出的向量，将其与测量的输出向量进行比较。这个差别用于修正模型的内部状态向量。但是，噪音会破坏模型的稳定性。

扩展卡尔曼滤波器可以补偿噪声和突发干扰的影响。卡尔曼滤波器的体系结构使得被认为具有较低不确定性的更新被赋予比被估计具有较大不确定性的更高的权重。滤波器递归地工作，使得每个估计仅需要一组新的读数和滤波器的先前状态以产生新的状态。

卡尔曼滤波器采用两个主要阶段：预测和更新。在预测阶段，滤波器根据先前的状态计算系统的下一个状态，在运动算法的情况下，该状态提供**已知的速度和加速度值。由此，过滤器计算当前位置的预测。

在更新阶段，将新采样的电压和电流值与其预测值进行比较。输入数据越接近预测，错误概率越低。该误差概率反馈到卡尔曼滤波器增益中。在算法级别，卡尔曼滤波器依赖于一些矩阵乘法和倒置。因此，在电机控制中实施扩展卡尔曼滤波器的关键在于高算术性能，这与场定向控制的其他方面一致。