卡尔曼滤波

1、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。

2、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：3、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。

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。

链接：https://www.zhihu.com/question/36808822/answer/80175392

如果是四旋翼，那么你的系统实际上假定了几个前提，而这些前提也是你能使用加速度计来测量姿态的原因。

1，你的飞行器在n系下三轴的加速度不大，加减速时间短。
2，你的飞行器大部分时间是保持水平，或说姿态机动幅度小时间短。

在这两个前提下，你可以用加速度计来测量n系下的重力矢量Gn[0 0 9.8]'在b系下的输出Gb，而且他们有关系Gb=Cn_b*Gn，Cn_b代表n系到b系的旋转矩阵。对磁罗盘而言也是同理。

如果你使用卡尔曼滤波来融合陀螺仪，加计，磁罗盘，实际上你是将陀螺仪的输出做为系统的增量预测，而姿态的增量方程即为卡尔曼的状态方程（其实就是四元数微分方程），之后再观测重力矢量和磁矢量做为测量方程。这样就得到了融合。

卡尔曼的优势在于，对于线性系统中的高斯噪声而言，卡尔曼滤波器是最优而且无偏的。但要达到最优无偏，你必须保证系统线性，而且只有高斯噪声，没有其它有色噪声，意味着你的系统模型必须尽可能准确（与线性冲突），把系统中的各个有色噪声都在状态方程中体现出来。同时，你还要尽可能准确地估计状态与测量噪声的能量（方差）。

如果以上条件不满足，卡尔曼并非是最好的选择。这也是目前绝大多数航模级遥控四旋翼不需要使用卡尔曼的原因——它们的传感器各种有色噪声太多且难以估计，而互补滤波足够简单且性能优良