https://en.wikipedia.org/wiki/Kalman_filter#Unscented_Kalman_filter
一、卡尔曼滤波的几何意义参考英文原版:
http://www.bzarg.com/p/how-a-kalman-filter-works-in-pictures/
注意上式部分有误,正确见下图:
核心是根据系统状态的估算值及协方差、测量值及协方差推算出最优的估计值及协方差:
在测量空间(坐标系):
所以:
变换到系统状态估算空间(坐标系):
注意:测量方程是线性的,以上公式成立。
如果系统状态方程也是线性的,系统状态的估算也比较简单:
对非线性系统,可以利用泰勒展开将系统线性化,使用扩展卡尔曼滤波:
https://blog.csdn.net/young_gy/article/details/78468153
推导见:
https://blog.csdn.net/u013102281/article/details/59109566?utm_source=blogxgwz3
二、还可以采用无迹卡尔曼滤波算法,下面的描述很形象:
https://blog.csdn.net/Young_Gy/article/details/78542754?utm_source=blogxgwz5
三、以下的推导更清晰:
https://blog.csdn.net/u013102281/article/details/59109566?utm_source=blogxgwz3
(-)根据系统方程预测过程:
(二)根据测量方程更新过程:
在准确建模的前提下,KF,EKF和UKF都有不错的表现。但是对于很多复杂的系统而言,建模就是一个复杂的问题。如果模型参数没办法准确估计,那么卡尔曼滤波器的应用就会受到限制。在不知道模型参数的情况下,可以通过蒙特卡洛采样,特别是粒子滤波的方法来对参数进行估计。
将随机量经非线性变换到另一空间,分布情况见:
https://blog.csdn.net/datase/article/details/79376461