卡尔曼滤波（Kalman Filter）的通俗解释

 intuitive explain:

作者：Kent Zeng
链接：https://www.zhihu.com/question/23971601/answer/26254459

假设你有两个传感器，测的是同一个信号。可是它们每次的读数都不太一样，怎么办？

取平均。

再假设你知道其中贵的那个传感器应该准一些，便宜的那个应该差一些。那有比取平均更好的办法吗？

加权平均。

怎么加权？假设两个传感器的误差都符合正态分布，假设你知道这两个正态分布的方差，用这两个方差值，（此处省略若干数学公式），你可以得到一个“最优”的权重。

接下来，重点来了：假设你只有一个传感器，但是你还有一个数学模型。模型可以帮你算出一个值，但也不是那么准。怎么办？

把模型算出来的值，和传感器测出的值，（就像两个传感器那样），取加权平均。

OK，最后一点说明：你的模型其实只是一个步长的，也就是说，知道x(k)，我可以求x(k+1)。问题是x(k)是多少呢？答案：x(k)就是你上一步卡尔曼滤波得到的、所谓加权平均之后的那个、对x在k时刻的最佳估计值。

于是迭代也有了。

这就是卡尔曼滤波。

作者：梁缘
链接：https://www.zhihu.com/question/23971601/answer/64551250

对动态事物的感知我们往往有两种手段，一种是预测，一种是观测。但是不幸的是无论是预测还是观测均避免不了误差，比如天气情况可以用一组非线性偏微分方程算出来，也可以用各个基站测量出来，但是均有误差。再比如导弹的运行轨迹我们可以预测也可以通过雷达观测，但是也均有误差。那么自然的问题就是如何在预测和观测给出一个最优的估计值。卡尔曼告诉了我们答案。答案很简单就是从两个方面观察得到，一是静态，如果预测的误差大观测的误差小我们有理由相信最优解更加靠近观测反之亦然；二是动态的角度，如果观测的误差大我们有理由相信下一时刻观测的贡献要小一些。我称之为动态的最小二乘，这便是大名鼎鼎的卡尔曼算法。对未来时刻用卡氏算法我们称之为预测，对当下的结果用卡氏算法我们称之为滤波，对过去的结果用卡氏算法我们称之为平滑。

 visual explain:

作者：肖畅
链接：https://www.zhihu.com/question/23971601/answer/46480923

考虑轨道上的一个小车，无外力作用，它在时刻t的状态向量只与相关：
（状态向量就是描述它的t=0时刻所有状态的向量，比如：
[速度大小5m/s, 速度方向右, 位置坐标0]，反正有了这个向量就可以完全预测t=1时刻小车的状态）

那么根据t=0时刻的初值，理论上我们可以求出它任意时刻的状态。

当然，实际情况不会这么美好。

这个递推函数可能会受到各种不确定因素的影响（内在的外在的都算，比如刮风下雨地震，小车结构不紧密，轮子不圆等等）导致并不能精确标识小车实际的状态。

我们假设每个状态分量受到的不确定因素都服从正态分布。

作者：周啸
链接：https://www.zhihu.com/question/23971601/answer/137325095