u010480899的博客

wiki原文卡尔曼滤波(2016.8.4)卡尔曼滤波，也常被称作线性二次估计(LQE)，是一种使用一段时间内的观测数据，其中观测数据中包含统计噪声和其他不确定性，来估计未知变量的值的方法。它比一般的基于单次测量的方法更加精确，因为它使用了Bayes来估计每个时间点上的联合概率分布。这个方法以 Rudolf E. Kálmán命名，他是这个理论的主要贡献者。卡尔曼滤波器适用很广……算法的实施过程分两个

原文链接卡尔曼滤波器如何描述问题要估计的状态如下表示：不知道实际的位置和速度，所有的 (p,v) 组合都有可能，但是有一些组合比其他组合可能性更大：卡尔曼滤波器假设所有的变量（我们的栗子中，位置和速度）都是随机的，而且是高斯分布的。每个变量都有一个均值，表示随机分布的中心点（即最可能的位置），以及方差，表示不确定性。在上图中，位置和速度是不相关的(uncorrelated)。不相关的意思是说，一个变

wiki原文EKF在估计理论中，EKF是KF的非线性版本，对当前估计的均值和协方差进行线性化。如果状态转移模型很准确的话，EKF会是非线性状态估计理论、导航系统、GPS中最好的方法。历史创造卡尔曼滤波器的论文发表于上世纪60年代。卡尔曼滤波器对于线性系统模型，在状态转移系统和测量系统中加上独立白噪声下，都是最有估计器。然而，实际应用问题中，大部分都是非线性系统，需要对卡尔曼滤波器进行一些改进。这方面

在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。跟其他著名的理论（例如傅立叶变换，泰勒级数等等）一样，卡尔曼也是一个人的名字，而跟他们不同的是，他是个现代人！卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯。1953，1954年于麻省理工学院分别获得电机工程学士及硕士学位。1957年于哥伦比亚大学获得博士学位。我们现在要学习的卡尔曼滤波器，正是源于

转自：http://pinkyjie.com/2010/08/31/covariance/一、统计学的基本概念统计学里最基本的概念就是样本的均值、方差、标准差。首先，我们给定一个含有n个样本的集合，下面给出这些概念的公式描述：均值：标准差：方差：均值描述的是样本集合的中间点，它告诉我们的信息是有限的，而标准差给我们描述的是样本集合的各个样本点到均值的距离之平均。以这两个集合为例，[0, 8, 1

一、引言下面我们引用文献【1】中的一段话作为本文的开始：想象你在黄昏时分看着一只小鸟飞行穿过浓密的丛林，你只能隐隐约约、断断续续地瞥见小鸟运动的闪现。你试图努力地猜测小鸟在哪里以及下一时刻它会出现在哪里，才不至于失去它的行踪。或者再想象你是二战中的一名雷达操作员，正在跟踪一个微弱的游移目标，这个目标每隔10秒钟在屏幕上闪烁一次。或者回到更远的从前，想象你是开普勒，正试图根据一组通过不规则和不准确的测

我们在上一篇文章中通过一个简单的例子算是入门卡尔曼滤波了，本文将以此为基础讨论一些技术细节。卡尔曼滤波（Kalman Filter） http://blog.youkuaiyun.com/baimafujinji/article/details/50646814在上一篇文章中，我们已经对HMM和卡尔曼滤波的关联性进行了初步的讨论。参考文献【3】中将二者之间的关系归结为下表。上表是什么意思呢？我们其实可以下面的式