本文深入探讨了卡尔曼滤波器（KF）的原理及其在时域滤波中的重要地位，介绍了KF如何从多源信息中融合数据。内容涵盖了KF的工程应用、数学推导以及与其他滤波器的比较。此外，还提到了扩展卡尔曼滤波器（EKF）和无迹卡尔曼滤波器（UKF）在处理非线性系统时的应用，以及它们各自的优缺点。文章提供了丰富的学习资源，包括教程链接和视频推荐，帮助读者理解和掌握卡尔曼滤波器的相关知识。
--neozng1@hnu.edu.cn
Kalman Filter（卡尔曼滤波器，时域）
KF家族从被提出以来可谓是运用的最多最广的滤波器了，并且其发明者Kalman教授以他的一己之力将控制领域的研究从频域转换到时域（以状态空间设计为基础的现代控制理论）上来，虽然他在后半生一直热衷于频域分析的研究。Kalman滤波器最出名的轶事就是在Kalman博士访问NASA后，那里的工程师认为这是一个极佳的时域修正方法，并且直接在阿波罗6登月飞行器的轨道矫正系统上使用了扩展卡尔曼滤波器。
相比于传统的时域滤波器和频域滤波器，KF运用马尔卡夫假设（从概率和信息观测的角度），只需要保留前一个状态的信息，占用内存小且速度非常快。
这一小节主要推荐一些非常棒的教程。关于KF的工程应用和直观理解，Matlab官方出品的这个系列视频很好地讲解了运用过程：Kalman Filter。另外若想从概率统计和数学角度初步理解KF，可以进一步参照这篇可可爱爱的教程：How a Kalman Filter works。
若是结合控制和概率论解释，并且完整地进行数学推导，请看bilibili up主 DR_CAN的：
最低0.47元/天 解锁文章
扫一扫
2358
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
