对卡尔曼的滤波原理的一些想法

最近看了一些卡尔曼滤波算法，但是对其还不能算本质上的理解，然后就查阅了一下资料，知乎中Kent Zeng解释的通熟易懂，我也是受到了该文章的启发，原文贴出如下：

假设你有两个传感器，测的是同一个信号。可是它们每次的读数都不太一样，怎么办？

取平均。

再假设你知道其中贵的那个传感器应该准一些，便宜的那个应该差一些。那有比取平均更好的办法吗？
加权平均。
怎么加权？假设两个传感器的误差都符合正态分布，假设你知道这两个正态分布的方差，用这两个方差值，（此处省略若干数学公式），你可以得到一个“最优”的权重。
接下来，重点来了：假设你只有一个传感器，但是你还有一个数学模型。模型可以帮你算出一个值，但也不是那么准。怎么办？
把模型算出来的值，和传感器测出的值，（就像两个传感器那样），取加权平均。
OK，最后一点说明：你的模型其实只是一个步长的，也就是说，知道x(k)，我可以求x(k+1)。问题是x(k)是多少呢？答案：x(k)就是你上一步卡尔曼滤波得到的、所谓加权平均之后的那个、对x在k时刻的最佳估计值。
于是迭代也有了。

这就是卡尔曼滤波。

接下来我就说一下我的理解，我认为卡尔曼其实就是构造了一个传感器，也即是知乎中说的用数学模型构造的，然后再根据真实的传感器测得的加权平均得到准确的；相比较而言，两个传感器应该比一个传感器得到的数据更准确一点吧。这个一般用到单传感器的一维卡尔曼滤波上面，但是在实际应用中我们往往是用到融合的比较多，说到融合了，那么就应该是两个以上了，比如：楼主做飞控的，一般姿态角融合解算时会用到陀螺仪，加速度计和地磁计三者的融合，从而得到相对准确的角度信息，

关于融合，我认为和一维滤波类似，也是卡尔曼构造一个数学传感器然后与真实传感器观测的值进行加权平均，从而获得最准确的信息。

好了，目前大概理解就是这样，后续如果理解的更深入了，再继续更正，希望这方面的大牛也给与指点！！！！