如何通俗并尽可能详细解释卡尔曼滤波？

作者：肖畅
链接：https://www.zhihu.com/question/23971601/answer/46480923
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

好了下面进入正题，先从简单的说起：
考虑轨道上的一个小车，无外力作用，它在时刻t的状态向量 只与 相关：
（状态向量就是描述它的t=0时刻所有状态的向量，比如：
[速度大小5m/s, 速度方向右, 位置坐标0]，反正有了这个向量就可以完全预测t=1时刻小车的状态）



那么根据t=0时刻的初值 ，理论上我们可以求出它任意时刻的状态。

当然，实际情况不会这么美好。

这个递推函数可能会 受到各种不确定因素的影响（内在的外在的都算，比如刮风下雨地震，小车结构不紧密，轮子不圆等等）导致 并不能精确标识小车实际的状态。

我们假设每个状态分量受到的不确定因素都服从正态分布。

现在仅对小车的位置进行估计
请看下图：t=0时小车的位置服从红色的正态分布。

根据小车的这个位置，我们可以预测出t=1时刻它的位置：

分布变“胖”了，这很好理解——因为在递推的过程中又加了一层噪声，所以不确定度变大了。

为了避免纯估计带来的偏差，我们在t=1时刻对小车的位置坐标进行一次雷达测量，当然雷达对小车距离的测量也会受到种种因素的影响，于是测量结果告诉我们，小车t=1时的位置服从蓝色分布：

好了，现在我们得到两个不同的结果。前面有人提过加权，Kalman老先生的牛逼之处就在于找到了相应权值，使红蓝分布合并为下图这个 绿色的正态分布（啰嗦一句，这个绿色分布均值位置在红蓝均值间的比例称为Kalman增益(比如下图中近似0.8)，就是各种公式里的K(t)）
你问为什么牛逼？ 你问为什么牛逼？
绿色分布不仅保证了在红蓝给定的条件下，小车位于该点的概率最大，而且，而且，它居然还是一个正态分布！
正态分布就意味着，可以把它当做初值继续往下算了！这是Kalman滤波能够迭代的关键。

最后，把绿色分布当做第一张图中的红色分布对t=2时刻进行预测，算法就可以开始循环往复了。

你又要问了，说来说去绿色分布是怎么得出的呢？

其实可以通过多种方式推导出来。我们课上讲过的就有最大似然法、Ricatti方程法，以及上面参考文献中提及的直接对高斯密度函数变形的方法，这个不展开说了。

另外，由于我只对小车位移这个一维量做了估计，因此Kalman增益是标量，通常情况下它都是一个矩阵。而且如果估计多维量，还应该引入协方差矩阵的迭代，我也没有提到。如果楼主有兴趣，把我提及那篇参考文献吃透，就明白了。