自研四旋翼之路---卡尔曼滤波篇

1.前言

读研究生时，不知听谁说过：研究滤波算法毕业足够了。这句话足够证明滤波算法在控制领域扮演着一个重要的角色，因为如果一个优秀的滤波算法得到应用，即使pid算法的控制性能也能吊打很多当前热门的如mpc、滑膜、反步法、深度学习等智能控制算法。什么是卡尔曼滤波算法，它作用是啥，应用领域是啥，它的优缺点是啥，限制条件是啥，发展瓶颈是啥，当前的研究焦点是啥，接下来请各位读者与我一起进入卡尔曼的其妙世界去探索答案吧…

2.摘要

优点：
缺点：
应用领域：
限制条件：
衍生算法：
本质：
测量值（传感器）+ 预测值（被控对象数学模型）····> 真实值

3. 认识卡尔曼滤波之前的几个疑问

为啥滤波跟概率论扯上关系?
协方差矩阵？啥叫随机变量？为啥要假设为随机变量？正太分布？高斯分布？均值期望值？均方差？
状态转移矩阵？

4. 基本理论

4.1回忆一下用到的概率论知识点

样本空间：所有可能结果组成的集合称为样本空间。
样本点：该集合的元素称为样本点。对于抛掷硬币试验，样本空间 = { 正面，反面 }，正面就是此样本空间的一个样本点。
随机变量：随机变量是定义在样本空间上的映射。通常是将样本空间映射到数字空间，这样做的目的是方便引入高等数学的方法来研究随机现象。
随机变量的本质是一个函数，是从样本空间的子集到实数的映射，将事件转换成一个数值。可以说，随机变量是“数值化”的实验结果。 将样本空间中的每一个可能的试验结果关联到一个特定的数，这种试验结果与数的对应关系就形成了 随机变量:

频数与概率：伯努利提出了 “大数定律”。伯努利认为，在试验不变的条件下，重复试验多次，随机事件的频率近似于它的概率。
概率函数：
概率函数、概率分布函数的关系：
随机变量的统计特征和度量方法：期望、方差
离散随机变量：
概率函数P(X=x0)：离散函数，X取x0时的概率值。
概率分布：离散变量的概率分布，即离散型 ‘’随机变量的值分布和值的概率分布列表‘’。（注意，是全部可能的取值）。

连续随机变量：
概率函数P(a<X<b)：对于连续型随机变量，我们讨论的是某个区间内的概率，即P(a<X<b)，而不是具体某一数值的概率。
概率分布函数F(X)：随机变量X<=x时的概率值，其中f(x)称为概率密度函数。

某正太分布的概率密度函数f(x)的曲线图：

4.2 理论推导

结构图：

理论的经典推导（点我跳转）

参考文献

【1】http://www.bzarg.com/p/how-a-kalman-filter-works-in-pictures/
【2】https://blog.csdn.net/Robin_Pi/article/details/103934337