卡尔曼滤波由浅入深

无人驾驶在行驶过程中的噪声或者其他波动，带来的传感器测量与实际有误差，卡尔曼滤波就是在努力消除这种误差，比如说一个超声波传感器，我们假设车辆固定，障碍物实际离车辆的距离实际是5米，但是超声波给到的距离是如下图：

非常波动来着，于是卡尔曼滤波诞生了，它可以让波动变得更加平滑。

像烧水的情况，你说煤气炉施加的Uk会百分百作用到开水不？并不会，由于效能的原因，许多能量必然会散发到空气当中，所以烧水也有烧水的过程噪声项X(k) = AX(k-1)+Bu(k) +w

w就是这里的干扰项，AX(k-1)是指水的上一个时刻的状态，Bu(k)是随着时间施加的能量。

另外温度计观测也不是百分百正确，它也并不能跟水当前的状态成正比，而是要考虑因为温度计本身带来的观测噪声Vk，所以表达式是yk = C Xk + Vk

又比如用这个图来理解

起初的状态值位于Xk-1，它也有噪声且符合正态分布，经过一个时间过程之后的值为Xk, 它也有噪声，观测值为Yk，它也有噪声，最优观测值为Xk和Yk的交集的中间位置，也是呈正态分布。但能够取最优。

 卡尔曼的方程是怎样的呢？

1.状态转移

举一个匀加速直线运动的小车为例子

我们学过物理都知道，已知小车的位置Pi和速度Vi、加速度Ut，可以用如下公式来表达小车位置和当前速度，

这里的Ut就是加速度，

然而更直接的有这个矩阵，