高斯滤波_概率机器人-高斯滤波（卡尔曼滤波）

所谓的高斯滤波共享了一个基本思想，那就是置信度用多元正态分布表示。在这里我们再重申一下多元正态分布的定义：

1. 卡尔曼滤波（Kalman Filter:KF）

实现贝叶斯滤波的最好的技术就是卡尔曼滤波（Kalman Filter）。卡尔曼滤波是由Swerling和Kalman作为线性高斯系统中的预测和滤波技术而发明的，用矩来定义。卡尔曼滤波实现了对连续状态的置信度计算。

我们回顾一下贝叶斯滤波，贝叶斯滤波的目标是求解状态变量

的置信度

，求解的方式是递归，有两个步骤：

1. 预测：根据
   计算
   ，
2. 测量更新：利用测量值
   和
   计算
   ，

卡尔曼滤波则是通过合理的假设是以上的计算更容易实现，通过假设

符合高斯分布，这样我们就可以用均值

和方差

来表示置信度。

除了满足贝叶斯分布的马尔可夫假设之外，卡尔曼滤波还需满足以下三个条件：

（1）状态转移概率

必须是带有随机高斯噪声的线性函数，可由下式表示：

<