卡尔曼滤波最好的一篇文章

链接: link.
最主要是第九第十步怎们来的，为啥是这个。

对第九，第十步的理解：
$$\Sigma$$该字母含义在多维高斯分布中类比于一维高斯分布中的$$\sigma$$他是多维高斯分布变量之间的协方差，那么$$\Sigma 0$$为啥等于

是因为它是根据原来x的$$\Sigma$$变换得来的，原来x的$$\Sigma =$$
而初始x0的$$\Sigma$$可以根据x0状态中不同的变量根据协方差公式得到，比如该文中的速度和位置。
而u0则可以根据当前出现状态即是高斯分布中最有可能的那个状态，也即，当前状态即是u0位置，后面公式十也可以这样理解。
总结：
1.根据以前预测最优状态xk-1和协方差pk-1得到本次的预测状态xk-和协方差pk-。协方差表示状态内部变量之间的关系，对协方差的预测表示对状态内部变量之间的关系变化的预测。初始x0所在的高斯分布的协方差矩阵，和u，可使用多次测量x0状态，然后u根据多次测量的x0的平均值得到。协方差矩阵，使用多次测量的x0所包含的变量，俩俩分别根据协方差公式计算得到，比如该文中的速度和位置就是x0的变量，将初始状态x0状态下，多次测得的速度和位置数据按照协方差公式
其中xi代表速度，yi代表位置，N表示测了n次x0状态。
2.将预测状态xk-乘以H变换矩阵向观测状态变换，得到z1
3.观测得到观测的状态z2
4.将以z1,z2为中心点（也就是类比于一维高斯分布u轴的值）的高斯分布融合为一个新的高斯分布
融合过程需要u和$$\Sigma$$,z1所在的高斯分布$$\Sigma =HpH$$，u1=z1,
z2所在的高斯分布$$\Sigma =R$$，u2=z2
5. 化简，移项4的公式，即可得到最优估计xk，可以得到最优估计所在的高斯分布的$$\Sigma 。$$为下一次迭代初始值做好准备。

猜测卡尔曼的思维过程：
1.我们要把测量的数据和以前的数据结合起来得到一个最好的估计
2.首先需要计算预测值，预测值怎么算呢？根据以往经验参数加上噪声
4.在变换过程中状态中的变量关系也发生了变化，所以就需要将其记录下来，使用协方差的方式。
5.将预测的值转变为观测的值
6.将预测并且转换为的观测状态值和观测状态值进行融合
7.怎么融合最好呢？
8.发现他们是这样的，可以把当前状态当作一个高斯分布最高概率出现的状态，进而得到整个高斯分布，将俩个高斯分布融合，得到新的 高斯分布，再根据高斯分布的u值，即是最优估计Xk，得到最优估计。然后将状态的内部的变量之间的变化也保存下来，供下次循环使用。