【实用版】卡尔曼滤波及其扩展方法的区别与定位系统中的应用

源自于学校课题，主要用卡尔曼滤波KF及其扩展方法（包括扩展卡尔曼滤波EKF、Sigma点卡尔曼滤波SPKF和集合卡尔曼滤波EnKF）实现多传感器数据的融合。

卡尔曼滤波的原理和几个经典方程其他博客中已经讨论的很详细了，在这里简单整理一下个人的理解，包括各种卡尔曼滤波的不同和具体的使用方法等，以定位系统为例。

如有错误，欢迎指正。

卡尔曼滤波

传统的卡尔曼滤波（KF）适用于线性系统（也就是转移方程和观测方程都是线性的），如下图所示。

1. X是系统的状态量，比如定位系统中状态量可以是待测目标的坐标、速度等，也就是系统最终要求的东西。第一个式子是转移方程，从上一时刻的系统状态估计值推导出该时刻的系统状态估计值；
2. 第二个式子是观测方程，通过该时刻的系统状态估计值推导出观测量的估计值，这里的Y就是观测量 。其实这个式子就是表明了系统状态X和观测量Y的关系，观测量可以来源于不同的传感器，比如GPS测到的坐标，惯性传感器转换得到的速度、角度等。

状态量和观测量的概念要分清，状态量是要求的目标，观测量可以理解为是用来修正状态量的辅助信息

下面具体介绍一下KF的执行步骤。
KF分为预测（也叫时间更新）和更新（也叫状态