卡尔曼滤波(KF)与扩展卡尔曼(EKF)

卡尔曼滤波是一种高效率的递归滤波器(自回归滤波器), 它能够从一系列的不完全包含噪声的测量(英文:measurement)中，估计动态系统的状态，然而简单的卡尔曼滤波必须应用在符合高斯分布的系统中。

百度百科是这样说的，也就是说卡尔曼滤波第一是递归滤波，其次KF用于线性系统。

但经过研究和改进，出现了很多卡尔曼，如EKF（extended kalman filter）扩展卡尔曼，UKF（Unscented Kalman Filter）无迹卡尔曼等等。

而我们就来研究EKF，而EKF的中心思想就是将非线性系统线形化后再做KF处理。

 

状态方程　　

 当我们从最简单的系统开始，我们假定k时刻的系统状态与k-1时刻有关，于是我们可以得到方程：

 其中a为常量，但是当系统内部有噪声，我们称为过程噪声 ，计为w。所以方程可以写成：

 

而我们实际观测的时候会出现观测噪声，于是我们将观测值计为Z，观测噪声为v，那我们可以把k时刻的观测值与系统状态值写成方程：

于是最简单的系统状态方程就有啦。

卡尔曼滤波算法核心思想在于预测+测量反馈，它由两部分组成，第一部分是 线性系统状态预测方程，第二