博客探讨了在非高斯分布情况下，经典Kalman Filter（KF）的局限性，并介绍了Extended Kalman Filter（EKF）如何通过线性化非线性模型来解决这一问题。EKF利用雅克比矩阵近似非线性函数，但忽略了高阶导数。内容还概述了Kalman滤波的预测和校正步骤，以及关键的数学公式。此外，提到了KF在室内定位和目标跟踪中的应用。
现实是我们的处理和测量模型都是非线性的，结果就是一个不规则分布，KF能够使用的前提就是所处理的状态是满足高斯分布的，为了解决这个问题，EKF是寻找一个线性函数来近似这个非线性函数，而UKF就是去找一个与真实分布近似的高斯分布。
EKF 通过雅克比和偏导数近似非线性模型，但是忽略了高阶导数, EKF的中心思想就是将非线性系统线形化后再做KF处理。
Kalman滤波分为2个步骤，预测(predict)和校正(correct)。预测是基于上一时刻状态估计当前时刻状态，而校正则是综合当前时刻的估计状态与观测状态，估计出最优的状态。预测与校正的过程如下：
公式1是状态预测，公式2是误差矩阵预测，公式3是kalman增益计算(权重)，公式4是状态校正，其输出即是最终的kalman滤波结果，公式5是误差矩阵更新。各变量说明如下表：
1.
最低0.47元/天 解锁文章
566
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
