卡尔曼滤波公式理解

卡尔曼滤波

        主要用到高斯函数以及高斯加法和乘法

高斯函数在高中又名正态分布：

        

高斯加法：                                                高斯乘法：

                                        

∂:标准差，  u：均值 ，∂^2：方差

---

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！

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。

---

卡尔曼更新：

卡尔曼增益：

主要表示 预测结果 和测量结果的权重依赖

由于是结果体现，因此运算为高斯乘法分解：

 u为高斯乘法后的均值

        

 

K则是卡尔曼增益，可以理解为选取预测和测量的权重选择

通常式子为：

 

卡尔曼更新：均值和方差

通常式子为： 

---

协方差：

1.状态协方差P

2.过程误差协方差Q

3.测量噪声协方差R

通常协方差可以表示多维数据的关系

 （该部分较容易理解，可自行查找）