卡尔曼滤波器小白入门_卡尔曼滤波入门教程-CSDN博客

本文链接：https://blog.csdn.net/DDWDDZY/article/details/105594472

在这里插入图片描述
假设有一辆汽车在路上行驶，我们用它的位置和速度来表示当前的状态，写成矩阵的形式，u加速度表示对车的一个控制量，观测左上角的两个公式会发现他们的输出变量是输入变量的线性组合，这就是卡尔曼滤波器是最佳的线性滤波器的原因，因为它只能描述状态和状态之间的线性关系，进一步把两个状态变换矩阵提取出来，公式可以简化为右下角所示，是卡尔曼滤波器的第一个公式：状态预测公式，其中F叫做状态转移矩阵，表示如何从上一时刻的状态来表示当前时刻的状态，B为控制矩阵，表示控制量u如何作用于当前状态，x^表示的是对x的估计量而非真实的值，x的真实状态我们是永远无法知道的，只能根据观测结果尽可能估计x的值，右上角减号的上标表示这个值是根据上一时刻的状态推测而来的。根据观测量修正的x值，才是最佳的估计值可以去掉减号。在这里插入图片描述
从一维的情况分析包含噪声的数据，每次测量值都不同，但都是围绕在一个中心值的周围，表示分布状况简单的方法就是记下中心值和方差。实际上就是假设是一个高斯分布。
如果二维分布的噪声有相关性，需要一个协方差矩阵表示两个维度的额相关程度，对角线的两个值是两个维度的方差，反对角线相等，表示协方差，在卡尔曼滤波器中，所有关于不确定性的表述都要用到协方差矩阵。
噪声协方差矩阵的传递
在小汽车的例子中，每个时刻状态的不确定性都是由协方差矩阵P来表示的。为了使不确定性在每个时刻之间传递，，在P的两边左右各乘一个状态转移矩阵F，在这里插入图片描述

加粗样式
协方差矩阵Q表示预测模型本身带来的噪声，卡尔曼滤波器公式二：这个公式表示不确定想在各个时刻的传递关系。
假设在公路的一段放置了一个激光测距仪，在每个时刻都可以观测到汽车的位置，观测到的值记为Zt，从汽车本身的状态xt到观测状态Zt之间的变化关系记为H，该变换关系也是线性关系，因为卡尔曼滤波器是线性模型，所以要把H写出