本文介绍了扩展卡尔曼滤波在非线性系统状态估计中的作用，特别是在无人车定位中的应用。扩展卡尔曼滤波通过线性化非线性状态方程来逼近最优估计。文中回顾了高斯分布、贝叶斯滤波的基本概念，并详细阐述了预测和观测的线性化过程。最后，给出了扩展卡尔曼滤波的公式和实际代码实现，展示了其在传感器融合定位中的效果。
当系统状态方程不符合线性假设时，采用卡尔曼滤波无法获得理想的最优估计。扩展卡尔曼滤波与卡尔曼滤波主要区别在于：对状态方程的泰勒展开。
- 快速回顾几个知识点：
Gaussian Distribution of Univariate:
Gaussian Distribution of Multivariate:
Bayes Filter Reminder:
Prediction:
Observation:
2. 基于系统状态方程的非线性，扩展卡尔曼滤波提出线性化过程如下：
大部分的状态估计问题都包含非线性方程：
其中个
Prediction的线性化:
Correction的线性化:
3. 扩展卡尔曼滤波公式（具体公式推导待更新）
Prediction:
最低0.47元/天 解锁文章
2969
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
