本文探讨了如何将卡尔曼滤波应用于经典的小车运动问题，并解释了在线性系统中卡尔曼滤波与非线性优化的等价性。建议对于线性系统使用卡尔曼滤波，而对于部分非线性系统，推荐采用扩展卡尔曼滤波(EKF)。同时，提到了通过构建误差函数和最小二乘算法进行非线性优化的方法。
我是个菜鸟，以下内容抛砖引玉，欢迎大家讨论：
在经典的小车运动问题中，如何把卡尔曼滤波解法转换成非线性优化解法？
理论的话可以参考下这本书第三章(还是第二章？？记不清了)。
不过我猜你不是想找理论讲解，哈哈哈哈。
其实吧，从最大后验概率(MAP)的角度讲，针对于线性系统，卡尔曼滤波和非线性优化是等价的，因为针对于线性系统使用优化方法，仅需迭代一次就可以收敛至全局极小，而这正是卡尔曼滤波的MAP推导，所以说卡尔曼滤波是线性高斯系统的最优无偏估计。如果你的小车运动方程和观测方程都是线性的，那么使用优化算法没有任何意义。
针对于部分非线性系统，EKF相当于迭代一次的非线性优化，但是EKF效果要比一次迭代的非线性优化效果更好(该语句来源于《机器人学中的状态估计》)，所以，我还是推荐你使用EKF吧，哈哈。
如果必须要使用优化方法，从我学SLAM的角度来讲，仅需要构建误差函数，例如：分别针对观测和预测构建误差函数:
其中X为状态量。
然后计算雅克比，利用最小二乘算法(例如高斯牛顿法)迭代求解，使总体误差最小即可，可以在知乎上搜下相关的文章，我记得有不少。
有一年没看状态估计了，说的可能有偏差，有问题可以继续留言讨论，么么哒
2439
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
