卡尔曼滤波器

是一种滤波算法

• 应用场景：传感器数据融合与状态估计。比如你有一个加速度计，又有陀螺仪或GPS 。假设当前状态值可靠，那么根据运动学和加速度计信息，可以计算出状态量的下一时刻值。但是由于加速度计有噪声或者运动学模型有缺陷(比如没有打滑的计算)，这个计算值可能和真实值有差，故称其为预测值。这时候通过陀螺仪或GPS的测量值(也有误差)来更新一个当前状态的估计值(滤波值)，使得测量误差和过程误差有一个调和，让估计值的总体协方差最小。

  即：可以是由测量结果来修正数学模型推测出来的值。

  
  直观感受

• 也可以说是两个传感器的信息的融合(上面例子中模型推出的值也可以认为是一个传感器的值呗)。两个传感器测同一个量，但是结果不一样，怎么办？最简单的就是取平均，复杂点就是加权，再复制点就是加权的值是时变的。这就比较像卡尔曼滤波了，kalman滤波迭代更新每个时刻的权重来使得得到的结果方差最小。

公式