卡尔曼滤波的理解以及推导过程

针对的系统为：

状态方程       X(k)=AX(k-1)+Bu(k-1)+W(k-1)

测量方程       Z(k)=HX(k)+V(k)                         0

W是状态预测的噪声 符合正态分布N(0,Q)

V 是测量的噪声     符合正态分布N(0,R)

理解：

一般测量值Z(k)为外界提供，大概是采用一种不同的方式去获取同一个目标值（值不一定相等），用来矫正预测的。于是我们得到了三个值，测量值Z(k),上一次综合预测值和测量值得到的最优值X(k-1|k-1)，对上一次最优值通过状态方程预测的下一个结果

X(k|k-1)=AX(k-1|k-1)+Bu(k)。卡尔曼的滤波的目的是综合测量值和预测值得到一个最优值，这里采用的是分配权重的方式来综合结果X(k|k)=X(k|k-1)+K(k)(Z(k)-HX(k|k-1))。到此已经得到了最优的解，但是权重怎么计算？这里的权重K就是卡尔曼增益（Kalman gain）。K的确定是通过求使得估计值X(k|k)与真实值Xk的均方误差最小的K。得到K之后自然就是想办法使得卡尔曼滤波可以无限迭代下去，这好像是卡尔曼最牛逼的地方。

推导过程：

要看懂推导过程需要一些矩阵的计算知识以及统计学知识。

预测方程

<