1.卡爾曼濾波是貝葉斯濾波的一種具體實現形式，因此先把貝葉斯濾波弄明白，再學習卡爾曼濾波會感覺自然一些（個人感覺，貝葉斯濾波的核心就是貝葉斯公式，也即條件概率公式，其目的就是利用已有資訊去推測新的資訊）
關於貝葉斯濾波的一些資料：
a.b.
2.卡爾曼濾波目的是融合目標的觀測資訊和**資訊，然後得出對目標狀態更加準確的判斷。（卡爾曼濾波做的事情可以簡單理解為求出觀測資訊和**資訊的合理權值，然後把它們加權，最後就得到了準確的目標狀態資訊）
3.卡爾曼濾波的最後需要計算兩個高斯分布的概率密度函式相乘的結果，這裡有個問題，兩個高斯分布相乘後是個什麼東西？
答：兩個高斯分布的概率密度函式相乘後得到了乙個新函式，這個函式等價於另乙個高斯分布的概率密度函式乘以乙個縮放因子（scaled）。注意，這裡說的是「等價於」，因此新函式只是形式上類似於高斯分布，但不是高斯分布，因為其積分結果不為1，連概率密度函式都不是。那為啥它不是概率密度函式，還能被用於卡爾曼濾波中來求概率，這裡貼乙個知乎上的回答：
scaled 說明相乘之後的高斯分布不是真實的概率分布，因為積分結果不是1，但它是個固定的常數，因此並不影響kalman濾波的後續遞推。這是因為kalman濾波關心的是相對值，而不是絕對值。（ps：我目前還不太理解這個問題，因為還學習的不到位，希望有大神給出更加直白的解釋，哈哈）
關於兩個高斯分布的概率密度函式相乘的一些資料：
a.b.
c.d.
f.4.卡爾曼濾波中，觀測值為什麼用觀測方程來表示？不應該是直接拿到測量值用作觀測值嗎？
這個問題困擾了我很久，查了挺多資料，記錄下自己的理解：
首先明白，網上的大部分教程針對的是卡爾曼濾波的**，而不是實際的工程應用。所以，**是沒法拿到真實測量值的，那麼就用真值+誤差的形式來模擬感測器的測量值，就這樣。
至於實際工程應用，肯定是用真實感測器的值來做觀測值。（因此重點就是不要混淆了**模擬和工程實際）。
相關解釋：
5.最後是關於卡爾曼濾波的一些資料：
卡爾曼濾波學習理解
首先，我們引入乙個離散控制過程的系統。該系統可用乙個線性隨機微分方程來描述 x k ax k 1 bu k w k z k hx k v k x k 是k時刻的系統狀態，u k 是k時刻對系統的控制量。a和b是系統引數，對於多模型系統，他們為矩陣。z k 是k時刻的測量值，h是測量系統的引數，對於多...
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，...
卡爾曼濾波通俗理解（一）
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 ...