卡尔曼滤波中高斯运算如何使用

从两位博主的文章中的一个小总结，这样看起来可能比较清晰。

（使用高斯乘法）：已观测

感知过程符合贝叶斯法则，是乘积过程，即采用概率分布相乘

贝叶斯公式就是当已知结果，问导致这个结果的第i原因的可能性是多少？执果索因！

（使用高斯加法）：未发生

预测过程符合全概率法则，是卷积过程，即采用概率分布相加

全概率就是表示达到某个目的，有多种方式（或者造成某种结果，有多种原因），问达到目的的概率是多少（造成这种结果的概率是多少）

总结：当一个位置小车经过移动后，且其定位和移动过程都是高斯分布时，其最终估计位置分布会更分散，即更不准确；当一个小车经过传感器观测定位，且其定位和观测都是高斯分布时，其观测后的位置分布会更集中，即更准确。