Kalman Filter要点

Kalman Filter的假设：
1、状态转换（Transition）和观察模型（Observation Model）皆为线性
Transition: $x_t=A_tx_{t-1}+B_tu_t+\epsilon_t$
Observation Model: $z_t=C_tx_t+\delta_t$
2、噪音模型（$\epsilon_t以及\delta_t$)均为高斯白噪音（Zero Mean Gaussian Noise）

$A_t$是一个($n \times n$)的矩阵，用以描述在没有Control和Noise的情况下，如何从状态t-1转换到状态t。n为变量的数量。譬如，对于位置pose，若用 $(x,y,z,\theta)$ 来描述，那么n=4。
$B_t$是一个($n \times l$ )的矩阵，用以描述控制量（Control）$u_t$ 是如何把状态从$x_{t-1}$ 转化到$x_t$的。$l$ 是控制量的数目。
$C_t$是一个( $k \times n$)的矩阵，用以描述状态$x_t$和观察量$z_t$之间的关系。 k <script type="math/tex" id="MathJax-Element-429">k</script> 则是观察量的数目。

若是u和x之间或者z和x之间非线性，则需要进行泰勒分解，而分解后各个子项为独立变量
若是独立变量过多，则会提升复杂度，在Inference的时候会消耗大量的computation power。若是泰勒子项过多，则需换Particle Filter。