卡尔曼滤波-一维卡尔曼滤波器

一维卡尔曼

从本章开始，我开始逐步从一维到多维介绍卡尔曼，由于原来是在Word上记录的，现在转到Markdown下面，好多公式没法同步，只能截图了。

没有过程噪声的卡尔曼滤波

在α滤波其中，我们已经熟悉了两个方程：
1》状态更新方程
2》状态预测方程
在这一章中，我们将引入剩下的 3 个卡尔曼滤波方程。
在这之前，我们回顾一下我们之前位置估计的例子，通过雷达测量值和真实值之间是有
误差的，当时我们是用高斯噪声来模拟这个误差的，这个误差我们叫测量误差（measurement
error），当然这个误差是随机的，在统计学中，我们可以通过方差（σ2）来描述这个随机误
差。这个误差一般是传感器厂家给出的，是一个已知特定的值。有些时候，我们也把测量误
差叫做测量不确定度（measurement uncertainty）。
我们使用 r 表示测量不确定度。
估计值和真实值之间也有一个误差，我们叫做估计误差（estimate error），在 10 次的估
计的过程中，随着估计值不断的收敛到真实值，估计误差在不断的缩小直到 0，我们不知道
估计误差到底是多少，但是我们可以估算估计中的不确定性。
我们使用 p 表示估计不确定度（estimate uncertainty），这个值究竟取多少呢？其实不重
要，你可以随便取一个值，卡尔曼滤波会不断的收敛这个值，这就是卡尔曼滤波的神奇之处。

卡尔曼增益方程

协方差更新方程

协方差预测方程

滤波算法

思考

加入过程噪声

请关注下一章节的多维卡尔曼滤波器吧！