扩展卡尔曼滤波的状态方程和观测方程可以是非线性的。在一般情况下，无法确定过程噪声、测量噪声与方程的函数关系，因此可以简化为加性噪声： 　　EKF relies on a linearisation of the evolution and observation ...

卡尔曼滤波是一种高效率的递归滤波器(自回归滤波器), 它能够从一系列的不完全包含噪声的测量(英文:measurement)中，估计动态系统的状态，然而简单的卡尔曼滤波必须应用在符合高斯分布的系统中。 百度百科是这样说的，也就是说卡尔曼滤波第一是递归滤波，其次KF用于线性系统。 但经过研究和改进 ...

对于上一篇中的问题：X ∼ N(µ, σ^2 ) , Y = sin(X)要求随机变量Y的期望和方差。还有一种思路是对X进行采样，比如取500个采样点(这些采样点可以称为sigma点)，然后求取这些采 ...

卡尔曼滤波法 卡尔曼滤波算法是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法，是一种最优化自回归数据处理算法。 通俗地讲，对系统 \(k-1\) 时刻的状态，我们有两种途径来获得系统 \(k\) 时刻的状态。一种是根据常识或者系统以往的状态表现来预测 \(k ...

简介 　　已经历经了半个世纪的卡尔曼滤波至今仍然是研究的热点，相关的文章不断被发表。其中许多文章是关于卡尔曼滤波器的新应用，但也不乏改善和扩展滤波器算法的研究。而对算法的研究多着重于将卡尔曼滤波应用于非线性系统。 　　为什么学界要这么热衷于将卡尔曼滤波器用于非线性系统呢？因为卡尔曼滤波 ...

卡尔曼滤波的推导 1 最小二乘法 在一个线性系统中，若\(x\)为常量，是我们要估计的量，关于\(x\)的观测方程如下： \[y = Hx + v \tag{1.1} \] \(H\)是观测矩阵（或者说算符），\(v\)是噪音，\(y\)是观察量 ...

code outputs ...