卡尔曼滤波器和优化的本质理解

非线性最小二乘优化中，最重要的是那个雅克比矩阵。每一行对应一个观察两，里面的值代表要减少这个观察量的误差，其他被优化的量需要做的改变。而每一列就是这个观察量需要怎么变才能减少不同的观察量。对于一个优化量，对有的观察量需要增加值，有的需要减少。那到底是要减少还是增加呢？就把所有观察量对应的变化求个平均，得到这个迭代优化量的跟新值。

如果所有观察对应的更新量都是一致的，说明观察量质量高，反之亦然。

换个角度想，即使只有一行，我们仍然可以算出一个跟新量。所以我们有两个选择，一个是用所有观察量结算出一个更新量，还是每次用一个观察算出一个更新量，跟新变量，再用第二个观察量算出一个更新量，然后。。。这两种方式就是全局优化和滤波器的本质不同。

而滤波器为什么很在意不确定度，因为不确定度给出了两次观察的重要性的比值。就还比求均值，我们是把所有东西加一起了，除以个数。还是每次先把一个值除以一个系数再累加上去。当你用第一种方法的时候，你不关系某个数据对最终的结果的总要性。

============================

假设我们有两个未知量想要知道他们的值。最直接的方法是找到两个和这两个未知量相关的方程，求解方程组就能得到他们的值。

但如果我们只能得到一个方程呢？也许你会说这个问题无解。但是换个角度想，虽然只有一个方程，但也不没有好，至少我们还是多了一些关于这两个位置量的信息。

很多情况下，我们不能一下得到足够的关于所有未知量的方程，但随着时间的推进，我们