卡尔曼滤波器基础

Sensor Fusion系列文章

传感器融合是将多个传感器采集的数据进行融合处理，以更好感知周围环境；这里首先介绍传感器融合相关的知识，包括卡尔曼滤波器基础，扩展卡尔曼滤波器，无损卡尔曼滤波器等。

系列文章目录
1. 卡尔曼滤波器基础

---

---

高斯概率分布介绍

卡尔曼滤波器是一种基于高斯概率分布的系统状态估计技术。
高斯分布（Gaussian Distribution）的概率密度函数（probability density function）：
$$f(x)=\frac{1}{\sqrt{2\pi }\sigma }exp(-\frac{(x-\mu {)}^2}{2{\sigma }^2})$$
即X服从均值$\mu$，方差${\sigma }^2$的正态分布$X\sim N(\mu ,{\sigma }^2)$

卡尔曼滤波器中，假设物体的状态服从概率分布，卡尔曼滤波器估计物体最可能的位置（均值$\mu$）和概率分布（方差${\sigma }^2$）。其中均值$\mu$处概率最大，往两侧概率逐渐降低；方差${\sigma }^2$越小，表示均值$\mu$处置信度越高，估计的位置就越准确。

预测（Prediction）&更新（Update）

卡尔曼滤波器基于高斯概率分布估计物体的位置。卡尔曼滤波主要通过预测（Prediction）&更新（Update）循环迭代实现位置估计：①预测（Prediction）：当物体移动时，我们预测车辆的状态；②更新（Update）：根据传感器测量值更新我们的估计。

运动过程的预测符合全概率公式（Law of total probability），假设 t