假設你有兩個感測器，測的是同乙個訊號。可是它們每次的讀數都不太一樣，怎麼辦？
取平均。
再假設你知道其中貴的那個感測器應該準一些，便宜的那個應該差一些。那有比取平均更好的辦法嗎？
加權平均。
怎麼加權？假設兩個感測器的誤差都符合正態分佈，假設你知道這兩個正態分佈的方差，用這兩個方差值，（此處省略若干數學公式），你可以得到乙個「最優」的權重。
接下來，重點來了：假設你只有乙個感測器，但是你還有乙個數學模型。模型可以幫你算出乙個值，但也不是那麼準。怎麼辦？
把模型算出來的值，和感測器測出的值，（就像兩個感測器那樣），取加權平均。
ok，最後一點說明：你的模型其實只是乙個步長的，也就是說，知道x(k)，我可以求x(k+1)。問題是x(k)是多少呢？答案：x(k)就是你上一步卡爾曼濾波得到的、所謂加權平均之後的那個、對x在k時刻的最佳估計值。
於是迭代也有了。
這就是卡爾曼濾波
通俗解釋卡爾曼濾波
在學習卡爾曼濾波器之前，首先看看為什麼叫 卡爾曼 跟其他著名的理論 例如傅利葉變換，泰勒級數等等 一樣，卡爾曼也是乙個人的名字，而跟他們不同的是，他是個現代人！簡單來說，卡爾曼濾波器是乙個 optimal recursive data processing algorithm 最優化自回歸資料處理演...
通俗解釋卡爾曼濾波
假設你有兩個感測器，測的是同乙個訊號。可是它們每次的讀數都不太一樣，怎麼辦？取平均。再假設你知道其中貴的那個感測器應該準一些，便宜的那個應該差一些。那有比取平均更好的辦法嗎？加權平均。怎麼加權？假設兩個感測器的誤差都符合正態分佈，假設你知道這兩個正態分佈的方差，用這兩個方差值，此處省略若干數學公式 ...
卡爾曼濾波的理解
首先了解一下濾波 濾波 filtering is weighting 濾波即加權 濾波的作用就是給不同的訊號分量不同的權重。最簡單的loss pass filter，就是直接把低頻的訊號給0權重，而給高頻部分1權重。常見的貝葉斯濾波和卡爾曼濾波 貝葉斯濾波我覺得關鍵在於對先驗概率和後驗概率的理解上，...