无迹卡尔曼滤波（UKF）算法原理

EKF算法的基本思想是通过在均值处一阶泰勒级数展开而将非线性问题转化为线性，然后应用线性估计的各种方法得到求解原非线性滤波问题的次优滤波算法。

虽然 EKF 得到了广泛的应用，但它也存在不足:当非线性函数的泰勒展开式的高阶项无法忽略时，线性化使系统产生的模型线性化误差往往会影响最终的滤波精度，甚至导致滤波器发散。而且计算雅可比矩阵也是一个很大的计算开销。

二者的主要区别如下：

UKF 是用有限的参数来近似随机量的统计特性，即用一组精确选择的点经过非线性模型的映射来传递随机量的统计特性。这些采样点完全体现了高斯密度的真实均值和协方差。然后用加权统计线性回归的方法来估计随机量的均值和协方差，所以UKF无须计算雅克比矩阵。

当这些点经过任何非线性系统的传递后，得到的后验均值和协方差都能够精确到二阶(即对系统的非线性强度不敏感)。由于不需要对非线性系统进行线性化，并可以很容易地应用于非线性系统的状态估计。

 UKF的核心就是无迹变换。

UT变换不需要对非线性状态和测量模型进行线性化，而是对状态向量的 PDF 进行近似化，近似化后的 PDF 仍然是高斯的。

（懒得打公式，直接截图自己笔记<( _ _ )>）

了解UT变换之后，就可以建立滤波模型：