卡尔曼滤波-α滤波器

标准卡尔曼滤波也就是系统模型是线性的，理解了标准卡尔曼滤波后，其他的也就理解了

概述

从网上看了很多很多关于卡尔曼滤波的文章，最容易理解的居然是国外的一个教程
https://www.kalmanfilter.net/default.aspx

英文不好的也可以切换到中文版哦！！！
当然国内也有翻译过后的版本https://zhuanlan.zhihu.com/c_1149619223558012928，这两篇文章几乎从无到有的过程给你讲述了什么是卡尔曼滤波，我下面写到的大多也是基于上述两篇文章，再加上自己的一些理解，有很多不正确的地方，还妄多多纠正。
在整个学习的过程中我们会用到很多基础线性代数，概率的知识，比如说期望、方差、正态分布、协方差、矩阵、微积分等这些基础知识你可以在B站上的3Blue1Brown上快速掌握它的核心要点即可。
参考文章：
https://blog.csdn.net/u010720661/article/details/63253509
https://www.jianshu.com/p/f6ce8943560c?from=singlemessage
http://blog.tkjelectronics.dk/2012/09/a-practical-approach-to-kalman-filter-and-how-to-implement-it/
https://mp.weixin.qq.com/s/II7xYWtgG6cQd-kP-O47mA
https://mp.weixin.qq.com/s/cr1u840FeBLalrmtJQs8TQ
https://mp.weixin.qq.com/s/__Lok-rPNz9eP7pKkR2nvQ
https://mp.weixin.qq.com/s?__biz=MzUxMDY4NTgxMQ==&mid=2247483772&idx=1&sn=50f8a0c5606810a2e9f94075375cb013&chksm=f97e6660ce09ef768621801b2ac6e6f135b4e5d9d9024de458f5250c71239c440ea4b6e960a7&scene=21#wechat_redirect
https://wenku.baidu.com/view/3c42b7733186bceb18e8bb29.html#
https://www.e-learn.cn/topic/996361
https://www.cnblogs.com/rouwawa/p/11643850.html

α滤波器

问题模型

假设我们有这么一个系统模型，我们制造了一枚导弹，这个导弹做50m/s的匀速直线运动，导弹上装有雷达测距仪，可以测出导弹距离出发点的位置，雷达的测量频率为0.2Hz也就是5秒测量一次当前的位置，我们观察10次也就是50秒内的数据，现在我们想知道每一时刻的导弹的真实位置。
有人说我们不是有雷达吗？但是雷达有误差并不准确，这里的误差就是测量误差。还有人说我们可以用数学公式计算，导弹不是做匀速运动吗？ S=vt 不就可以了吗？
但是导弹在空气中会受到各种环境的影响，气流、温度等都会让这个系统动力模型产生误差，这里的误差就是过程噪声。
为了解决上述问题，我们引入了α滤波器

状态更新方程

状态预测方程

我们引入两个状态方程：

这两个方程称为状态外推方程（State Extrapolation Equation）也可以叫做（State Transition Equation/ State Prediction Equation），这名字太装逼了，以后都叫他状态预测方程，说白了就是根据过去的值推算未来的值也就是预测的意思了，不同的系统方程当然不一样，和我们实际设计的动力系统模型相关。
根据状态预测方程，下一时刻的位置等于当前时刻的位置加上速度乘以间隔时间，在这个模型中速度是恒定的，所以下一时刻的速度等于当前时刻的速度。

估计算法

开始滤波

第一步：伪造数据
我们先伪造一下雷达的数据，在没有真实雷达的情况下如何伪造数据呢？我可以通过真实值+高斯噪声来模拟雷达的数据，我们可以用python来实现。

总结

从α滤波器中我们总结一下：

我们引入了卡尔曼滤波五个方程中的两个：状态更新方程和状态预测方程，在状态更新方程中有一个滤波系数，这个系数其实就是后面的卡尔曼增益K_n，只不过我们这里的系数是静态的而已