算法推导——卡尔曼滤波

什么是卡尔曼滤波？

  你可以在任何含有不确定信息的动态系统中使用卡尔曼滤波，对系统下一步的走向做出有根据的预测，即使伴随着各种干扰，卡尔曼滤波总是能指出真实发生的情况。
  在连续变化的系统中使用卡尔曼滤波是非常理想的，它具有占用内存小的优点（除了前一个状态量外，不需要保留其他历史数据），并且速度很快，很适合应用于实时问题和嵌入式系统。

卡尔曼滤波五大公式

定义变量
状态预测值：${\hat{x}}_k^{-}$，维度$n\times 1$
状态估计值：${\hat{x}}_k$
实际观测值：$y_k$，维度$m\times 1$
输入量：$u_k$，维度$l\times 1$
状态转移矩阵：$F$，维度$n\times n$
测量矩阵：$H$，维度$m\times n$
输入量到状态的转换矩阵：$B$，维度$n\times$