wbyang.cn

      最近突然想起来把以前接触过的东西在这里做一个备忘录，也不花时间，基本上点到为止。       Kalman Filter于1960年被R. E. Kalman提出来，简单地说是一个最优化自回归数据处理算法。       要理解KF，只需要理解2个预设方程和5个核心公式，分别如下：       2个方程（状态方程、观测方程）：                                   5个核心公式（先验估计、先验估计误差协方差、卡尔曼增益、后验估计、后验估计误差协方差）：

      其实EKF都没有用过，不过既然看过，还是备忘在这里吧。       回忆一下KF，我们会发现它处理的是线性问题，即是状态方程和观测方程为线性的问题。如果是非线性呢，那么EKF（Extended Kalman Filter）就是处理这种问题的方法之一。EKF仿效泰勒级数展开，在当前估计值处对过程或测量方程求偏导，从而将非线性问题线性化。       同KF一样，我们需要知道2个预设方程（均为非线性）：                   实际中我们显然不知道每一时刻状态噪声和观测噪声

      可能是由于复杂一些了吧，好像使用UKF的人不是很多。       EKF虽然应用于非线性状态估计系统中已经得到了学术界认可并为人广泛使用，然而该种方法也带来了两个缺点：（1）当强非线性时EKF违背局部线性假设，Taylor展开式中被忽略的高阶项带来大的误差时，EKF算法可能会使滤波发散；（2）由于EKF在线性化处理时需要用雅克比(Jacobian)矩阵，其繁琐的计算过程导致该方法实现相对困难。所以，在满足线性系统、高斯白噪声、所有随机变量服从高斯(Gaussian)分布这3个假设条件时，EKF