无迹卡尔曼滤波_卡尔曼滤波家族

之前写完了

David LEE：卡尔曼滤波：从入门到精通​zhuanlan.zhihu.com

之后一直说要写非线性情况下的推导。但后来想想，EKF不过就是做了一阶泰勒展开而已，要写成一篇文章实在是太短，感觉也没有太多干货，就一直没有动笔。最近在看 《概率机器人》，觉得关于贝叶斯滤波器确实也可以稍作总结，于是就写了这篇卡尔曼滤波家族。

本文对于扩展卡尔曼滤波、无迹卡尔曼滤波仅仅做了一些简要介绍，不再想上次的文章那样做详细地推导了。但只要看过之前写的卡尔曼滤波，相信这篇文章对于你来说也是很好理解的。

本文配图均来自《概率机器人》

扩展卡尔曼滤波

假设状态转移概率和测量概率分别由非线性函数g和h控制，而不再是一个线性变换：

这种情况下，由于线性变换的关系不在了，因此概率分布也不再是高斯分布。整个系统不再有闭式解，这是最让人头疼的。

而EKF 的主要思想就是线性化：通过一个在高斯函数的均值处与非线性函数g相切的线性函数来近似g。

线性化的主要优点就是效率，一旦对g和h进行了线性化，KEF和KF就是等效的。

EKF采用一阶泰勒展开的方式来进行线性化，其根据g的值和斜率构造一个函数g的线性近似函数：

线性点的选择依据的是在线性化点附近自变量最有可能的状态。对于高斯函数，最可能的状态自然就是后验的均值

：

同理，将测量函数h线性化，有

最后，整个EKF算法的流程如下&#