本文探讨了卡尔曼滤波在处理非线性系统及存在输入偏差情况下的能观性问题。通过分析带有输入误差的卡尔曼滤波模型，解释了如何构建增广矩阵来估计状态和偏差。文章指出，系统可观的条件是增广后的能观性矩阵满秩，这对于确保滤波算法的收敛性和准确性至关重要。
卡尔曼滤波的基本原理可以参考:
ARUANTOU：基础卡尔曼滤波zhuanlan.zhihu.com
我们都知道卡尔曼滤波在噪声和量测噪声为不相关、零期望的白噪声，且是线性系统，初始时刻的状态估计是无偏的条件下，才能保持无偏的特性。而具有无偏特性的卡尔曼滤波算法是有解的，可以计算出最终的定位位置。也称可观的。
要理解可观性，我们需要先看看带有输入误差的卡尔曼滤波。
现实是存在很多非线性的运动，以及未知的测量和运动误差。这样一来传统的线性卡尔曼滤波就显得太过理想了。我们需要调整下它的实现：
假设运动观测模型如下：
预测：
观测：
标记*为后验
现在需要对这个模型考虑误差，先考虑未知的输入偏差U
最低0.47元/天 解锁文章
7730
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
