newton的博客

卡尔曼滤波是一种在充满噪声和不确定性的环境中，对动态系统内部状态进行最优估计的强大递归算法。其核心在于动态融合两种信息：基于系统模型的预测（先验知识）和带有噪声的实际测量（观测数据）。算法通过“预测”和“更新”两步循环迭代：预测： 使用系统模型（状态方程）预测下一时刻的状态及其不确定性（误差协方差P）。更新： 计算卡尔曼增益K，该增益根据预测不确定性（P、过程噪声Q）和测量不确定性（测量噪声R）进行最优权衡；然后，利用实际测量值和卡尔曼增益修正预测状态，得到更精确的后验估计，并更新误差协方差。

本文档简述了离散线性高斯系统下的卡尔曼滤波推导。内容涵盖问题建模（状态转移、观测方程）、核心思想（高斯闭包性）、预测与更新两大步骤（含均值、协方差传播与修正、卡尔曼增益计算），并提及了其最小均方误差(MMSE)最优性及伪代码实现。

视觉SLAM学习笔记2：旋转矩阵、变换矩阵、旋转向量与四元数简述1.旋转矩阵（1）向量外积对于向量外积,除了现线代课本上的方法，还可以引入∧ 符号,把 a 写成一个矩阵。事实上a∧ 是一个反对称矩阵。外积只对三维向量存在定义。反对称矩阵：设A为n维方阵，若有AT=-A，即该矩阵的转置等于他的相反数，则称矩阵A为反对称矩阵，每个反对称矩阵都有与之对应的向量a。（2）旋转矩阵推导e、e...

视觉SLAM学习笔记1：Cmake的使用1、创建CMakeLists.txt2、编写CMakeLists文件和程序代码3、cmake分析，make编译4、cmake下使用库5、使用IDE1、创建CMakeLists.txt博主开发环境是ubuntu 18.04，cmake版本为3.10.2 。首先打开终端，创建用于存放工程的文件夹：$ mkdir slamlearn$ mkdir ch1...