卡尔曼滤波推导+贝叶斯滤波推导+粒子滤波推导

以下图片是研一机器视觉课程上做的ppt报告，这里作为总结正好。

有关多传感器融合定位（KF+EKF）具体代码的可参考相关博客。

目录

一、Kalman Filter

1、前言

2、5个黄金公式

3、模型建立

4、算法推导

二、Bayesian

三、Partical Filter

1.重采样

---

一、Kalman Filter

1、前言

1、两个传感器测量同一个信号，为了减小误差我们可以采用取平均的方式，进一步的我们采用加权平均（由方差大小分配），加权平均是一种静态分配方式。方差是随外界环境而变的，加权值也应该随之改变，这就是卡尔曼滤波出现的原因，它是一种动态更新加权值，不断迭代的算法。卡尔曼是对模型预测值以及传感器观测值加权平均，模型只有一个步长，x(k-1)得到x(k)，其中x(k-1)是上一时刻卡尔曼得到最优值。

2、对象：线性高斯模型，这个模型最好的地方在于两个高斯分布的乘积仍然是一高斯分布，由此实现模型的动态迭代。

3、本质：参数化的贝叶斯模型。先验估计：对下一时刻系统初步状态估计；结合先验估计以及测量反馈，得到后验估计。

4、应用：最优化自回归数据处理算法、机器人导航、雷达系统、图像处理等

2、5个黄金公式