卡尔曼滤波（一）（最优化递归数字处理算法）

一、使用的原因

生活中出现大量的不确定性，当我们描述系统时，不确定性主要表现在：不存在完美的数学模型、

系统的干扰不可控也很难建模、传感器的测量值存在误差

二、测量值与估计值的引入

测量值可用Z(k)表示，估计值（一般都会想到用平均值代替）可用X(k)_Hat表示，带有帽子的符号

三、递归思想和卡尔曼增益

卡尔曼滤波器的优势在于不需要去记录之前的所有测量值，通过递归的思想可以算出当前的估计值

 卡尔曼增益的求法：引入估计误差和测量误差，它也是卡尔曼滤波器的核心公式

 四、先给个例子消化一下

可以根据下面三个步骤，通过卡尔曼滤波器解决一些问题

比如有这么一个例子 ：要去测量一个硬币的直径，它的实际长度是50mm。下面开始假设初始条

件，第一次的估计值是40mm，估计误差是5mm，第一次的测量值是51mm，测量误差是3mm。根

据上面所给出的三个步骤，借助excel表格绘制我们估计值和测量值的曲线

五、总结

卡尔曼滤波器其实是一种算法，不只是简单意义上的滤波器那么简单。由于数学模型的建立都是不

能达到最完美的，实际传感器测量的值也不是最精确的，所以可以将不太准确的理论计算的结果和

不太准确的测量得到的结果进行数据融合，得到一个最优的测量结果，这个过程就是卡尔曼滤波