秃头队长

之前已经简单的实现过线性卡尔曼滤波：滤波融合（一）基于C++完成一个简单的 线性卡尔曼滤波器 进行传感器融合那么对于非线性的系统，区别就是多了线性化的过程，因为高斯映射到非线性函数，其结果不再是一个高斯分布。根据线性化方法的不同还可以区分为EKF、UKF，目前只介绍EKF，UKF以后有机会的话再说吧～基础的理论部分看见文章：通俗易懂理解扩展卡尔曼滤波EKF用于多源传感器融合对于线性和非线性的划分，直观的理解就是：只有加法和数乘的就是线性的，除了线性的就都是非线性的。具体可参考：线性和非线性的区别。那

1.Kalman Filters在跟踪一辆运行的车时，当σ\sigmaσ越小，表明确定因素越多。测量值更新使用贝叶斯规则，而预测是全概率公式，也是一种加权平均，他们之间通过高斯实现。假设我们已知先验告诉我们有辆车的位置分布如下黑色线所示，一个较宽的高斯分布，其均值为μ\muμ。而测量值信息告诉的车辆位置如蓝色线所示，其均值为vvv，测量值拥有更小的协方差。相比较，该例子中测量值所给出的位置信息更多。因此，利用先验和测量值信息，所得到的新的高斯分布如下，均指在两者之间，但相比较组成他的两个高斯分布

基础理论介绍：扩展卡尔曼滤波EKF用于多源传感器融合相关 robot pose ekf 代码解析：robot_pose_ekf源码解读 - zhxue_11Navigation源码阅读之robot_pose_ekf - 若愚和小巧robot_pose_ekf源码解读 - 首飞爱玩机器人本篇博客主要是记录自己 EKF 的学习过程，以理论逻辑为主线，代码实现为辅助理解如何从头开始实现一个基于扩展卡尔曼滤波的数据。待更…...

在机器人定位中，KF或者EKF是常用的传感器融合算法，之前也总结过很多关于EKF的用法：如何理解卡尔曼滤波(Kalman Filter)实现数据融合通俗易懂理解扩展卡尔曼滤波EKF用于多源传感器融合简单的来说，EKF 分为两个过程，预测和更新，预测的部分一般使用的是数据频率比较高的传感器，例如IMU或者Odom数据，这里为了对比效果，使用了 bfl 例子中的仿真传感器数据，首先先对bfl中的例子，做一个简单的解析： for (time_step = 0; time_step < NUM_TI