卡尔曼滤波流程

卡尔曼滤波流程

本文截图来源：
https://en.wikipedia.org/wiki/Kalman_filter
http://www.bzarg.com/p/how-a-kalman-filter-works-in-pictures/

建模

关于$F_k$



关于$B_k和u_k$

预测

首先根据上次状态、运动模型、外部信号预测本次状态和协方差
然后根据观测值更新本次的预测，在跟踪问题中首先进行predict，然后将predict结果和检测结果进行匹配，匹配上的检测就会视为观测值，结合其进行更新操作
关于$H_k$
跟踪任务中，目标状态包括位置和速度，但是速度是不可观测的，所以需要利用一个观测矩阵进行处理，处理之后的状态信息就和观测信息同维度
关于$S_k和y_k$
在本文的推导中这些均是中间变量，带入对应表达式即是本文推导结果
如上图所示他们有一定的数学含义，但不在本文讨论中

推导

要点1：两个高斯分布叠加后的高斯分布均值和方差计算方法


要点2：kalman filter的更新过程，可以看做下面两个高斯分布叠加的过程
高斯分布1：
$N(H_k{\hat{x}}_{k|k-1},H_k{P}_{k|k-1}{H}^T)$
高斯分布2：
$N(z_k,R_k)$
叠加后的高斯分布：
$N(H_k{\hat{x}}_{k|k},H_k{P}_{k|k})$