卡尔曼滤波学习

原教程地址：KalmanFilter.NET

卡尔曼滤波广泛应用在雷达系统（目标跟踪）中，但是其实它还可以应用在任何需要估算和预测的领域。

一、一维卡尔曼滤波

通过8个数值例子介绍卡尔曼滤波，涉及平均数、方差、标准差等，最终可以自行设计出一个一维的卡尔曼滤波算法。

1.1 背景知识

平均值、期望值、方差、标准差

  对于一个跟踪和控制系统，最大的问题计时在存在不确定性的前提下提供一个准确的有用信息。
  卡尔曼滤波就是一种常用且重要的估算方法，它在预估时默认输入信息不准确，同时也根据上一次系统的预估值来预估下一次的系统状态，测量噪声和处理噪声的存在可能使得动态模型（描述输入与输出关系的方法）估算出来的结果与真实值相差甚远，因此需要对噪声进行处理。

  平均值和期望值的区别在于，用可观测状态计算出的是均值，一般用 $\mu$ 表示，而对于无法获得真实值的隐变量，平均多次测量值估计的结果称为期望值，一般用 $E$ 表示。

  方差和标准差，方差 Variance 用来衡量一组结果的离散程度，标准差 Standard Deviation 则是方差的算数平方根，两者分别用 ${\sigma }^2$ 和 $\sigma$ 表示。
  方差、标准差在完全样本中的计算和在抽样样本中的计算是有区别的
  在完全样本中：
$${\sigma }^2=\frac{1}{N}\sum _{n=1}^N(x_n-\mu {)}^2,\sigma =\sqrt{\frac{1}{N}\sum _{n=1}^N(x_n-\mu {)}^2}$$
  在抽样样本中：
$${\sigma }^2=\frac{1}{N-1}\sum _{n=1}^N(x_n-\mu {)}^2,\sigma =\sqrt{\frac{1}{N-1}\sum _{n=1}^N(x_n-\mu {)}^2}$$

正太分布

  很多自然现象都遵循正太分布，也称为高斯分布，可以通过以下等式描述：
$$f(x;\mu ,{\sigma }^2)=\frac{1}{\sqrt{2\pi {\sigma }^2}}{e}^{\frac{-(x-\mu {)}^2}{2{\sigma }^2}}$$
  高斯曲线也被称为正太分布的概率密度函数，如下图所示，以及正太分布在 $\mu \pm \sigma$、$\mu \pm 2\sigma$、$\mu \pm 3\sigma$ 的比例，通常，测量误差呈正太分布。

  随机变量分为连续随机变量和离散随机变量，所有的测量值都是连续随机变量。

估计的准确度与精密度

  估计用来估算系统的不可见状态，可以通过雷达等传感器估计飞机位置，并通过使用多个传感器和高级估计及追踪算法（如卡尔曼滤波）来显著提升估计精度。
  准确度表示测量结果与真实值的接近程度。精密度表示测量结果的再现性。

  随机误差导致方差，高/低精密度系统表示系统方差/不确定性的大小，而高/低精度系统表示系统系统性误差（偏差）的大小。对测量值进行平均或平滑处理可以显著降低方差影响，但是无法修复固定的系统误差，教程中案例都假设为无偏系统。

以一张图进行总结

1.2 α − β − γ \alpha-\beta-\gamma