Dynamic Model

0.引言

• 参考：悉尼科技大学.徐亦达老师课程.

1.State-Space Model

$x_t$:隐状态，待估计量；纯视觉SLAM中即为$({\xi }_i,p_i)$ 6个自由度自由度。
$y_t$:观测量；纯视觉SLAM中即为$Landmark$.

2.Dynamic Model

徐老师从State-Space Model出发引出了三种常用的Dynamic Model，将隐马尔科夫、卡尔曼滤波、粒子滤波根据适用的系统模型不同进行归纳总结。

• HMM用于离散模型；
• KalmanFilter用于线性模型，高斯噪声；（EKF另讲）
• ParticleFilter用于非线性模型，噪声也非高斯模型；

暂时关注KalmanFilter后面有需要再补充。

3.KalmanFilter

对于Kanlman,有平滑、滤波、预测三种模式吧，暂且叫三种模式。国外有一本书Smoothing, Filtering and Prediction: Estimating The Past, Present and Future States，稍有遗憾的是目前还没有中译版。名字就很明显了，其实三种Estimation也都可以看作denoising的过程。

利用$k$时刻的观测值，根据状态方程和观测方程，求取$j$时刻的状态向量$X_j$的最佳估值。

• 1、当$j＝k$时，对$\hat{X}(k/k)$的估计称为滤波估计(filtered estimate)，即依据过去直至现在的观测量估计现在的状态。

• 2、当$j<k$时，对$\hat{X}(j/k)$的估计称为平滑估计(smoothed estimate)，即依据过去直至现在的观测值去估计过去的历史状态。

• 3、当$j>k$时，对$\hat{X}(j/k)$的估计称为预测估计(predicted estimate)，即依据过去直至现在的观测值来预测未来的状态。

.　　kalmanFilter整个推导过程没有近似处理，其结果是线性系统的最优无偏估计。

系列：

• Kalman Filter.
• 参考：KalmanSmoothing.