根据你说的这些帮我修改一下程序，并给出修改后的程序

当然，针对你提到的非线性和自适应噪声调整的问题，我们可以做些改进：

首先，对于非线性预测，你可以使用雅克比矩阵辅助。这是扩展卡尔曼滤波器的一个常见做法。这里假设`angle_pred`函数已经包含非线性因素：

// 预测阶段
Eigen::Matrix<float, 2, 1> F(1, 2);  // 预测转移矩阵，需要根据实际情况构造
F << 1, dt;                          // 这里只是一个简单的例子，实际应考虑角速度的影响
Eigen::Matrix<float, 2, 2> Q = F*F.transpose() * dt * ekf->Q_angle;
ekf->state = ekf->state + F * (new_Gyro - ekf->state.bias) + Q.col(0);  // 使用雅克比矩阵加速计算

// 更新阶段保持不变，因为卡尔曼增益计算仍基于线性化误差

接着，关于自适应调整噪声，我们可以尝试使用指数移动平均（EMA，Exponential Moving Average）来平滑观测误差的变化：

// 增加一个辅助变量来存储过去几次的观测误差平均
float ema_error = 0.0f;
int num_ema_samples = 4;  // 可以根据需要调整采样数

if (fabsf(y) > 0.1f) {
    ema_error += (1.0f / num_ema_samples) * (fabsf(y) - ema_error);
    ekf->Q_angle += ekf->adaptive_gain * ema_error;
    ekf->R_measure += ekf->adaptive_gain * ema_error;
}

// 更新时替换原有的阈值判断
if (num_ema_samples > 1 && ema_error > 0.1f) {  // 更稳定的调整条件
    // ...
}

以上是简化版的建议，具体的实现可能会因应用场景的不同而有所差异。记得检查并测试修改后的程序以确保其在实际环境中有效运行。