踏雪飞鸿的博客

 前面我写了一篇关于贝叶斯滤波的博客，详细推导了贝叶斯滤波，。也介绍了为了解决贝叶斯滤波中的无穷积分问题，产生了许多滤波方法，讨论了不同滤波方法之间的关系其中卡尔曼滤波应用比较广泛，这里详细推导一下卡尔曼滤波。  这篇博客大部分参考了b站视频：忠厚老实的王大头 感谢up主做的视频1. 假设假设f(xk−1)、h(xk)为线性，Qk、Rk为正态分布，Xk−1∼N(μk−1+,σk−1+)假设f(x_{k-1})、h(x_k)为线性，Q_k、R_k为正态分布，X_{k-1} \sim N

 前面博客介绍了贝叶斯滤波的详细推导，里面说了贝叶斯滤波的缺点是无穷积分没办法准确积分的问题。缺点也很明显，从fk−1+(x)→fk−(x)f_{k-1}^+(x)\to f_k^-(x)fk−1+​(x)→fk−​(x),计算η\etaη，计算期望x^k\hat{x}_kx^k​，都需要做无穷积分，大多数情况下没有解析解。 后面研究者为了解决这个积分问题，做了不同的假设，引入了不同的方法，于是就产生了各种滤波。卡尔曼滤波(KF) 、扩展卡尔曼滤波(EKF)、UKF、高斯积分滤波、粒子滤波（蒙特

 一谈到贝叶斯滤波，就开始联系到各种随机过程、概率密度函数等等，那些曾经上课都听不进去的东西，这里能讲清楚吗？我自己也会有这个疑惑，不过要看懂贝叶斯滤波原理还是需要一定基础的。这篇博客，我会尽量讲得通俗一点，方便理解一点。一、先验知识1. 随机过程与概率论 两门都是大学学过的课程，那它们之间到底有什么关系呢？呃…其实大学期间自己也没理解，笑cry。随机过程：研究的随机变量之间不独立，由于...