應用最廣泛
原理最複雜
術語最多
重取樣貝葉斯濾波是一切的起點
狀態方程
觀測方程
slam 請專注於非線性優化（圖優化） + 雷射slam , 不需要學pf （particle filter）
因為濾波無法處理動態場景
粒子濾波：靜態環境，動態可**環境，能 未卜先知 的知道資料什麼時候不好
q r可以外部環境自適應調節，自適應卡爾曼濾波
粒子濾波 對 無窮積分進行處理（一般無解析解）
蒙特卡洛積分（不懂）
由大數定律引發的遐想，隨機試驗的均值 等於 期望
暗示了什麼？求和和積分近似相等的關係
可以用一堆粒子來近似概率密度，就是粒子濾波
粒子的位置和權重決定了cdf 概率分布
怎麼取樣是非常難的問題，後面講
在正態分佈裡取樣比較容易，軟體生成隨機數
很難對概率密度進行取樣
做傅利葉變換，把乙個事件拆成幾個小事件
重取樣
貝葉斯濾波
在機械人的狀態估計中，我們總是聽到各種濾波。比如卡爾曼濾波，粒子濾波等，但這些濾波總體來說都是貝葉斯濾波。貝葉斯濾波是利用貝葉斯原理對機械人進行狀態估計的一種濾波的方法指導。其沒有具體的表現形式，是使用概率表示濾波過程的一種濾波方法。其按具體的實現形式分為了例如卡爾曼濾波，粒子濾波等各種具體的濾波演...
貝葉斯濾波器
定義狀態估計p x z,u 即又此時的observations和之前的控制命令，估計現在的狀態。貝葉斯濾波器分為兩步 第一步很好理解，過程，即如何通過上一時刻位置的貝葉斯模型計算此刻的貝葉斯模型。第二步，是校正過程，即又此刻的位置估計observations來強化貝葉斯模型的估計，最前面是正則化係數...
卡爾曼濾波與目標追蹤
卡爾曼濾波完整推導 卡爾曼濾波部分我打算分三節 三次部落格的內容 卡爾曼濾波以及其擴充套件演算法能夠應用於目標狀態估計，如果這個目標是行人，那麼就是行人狀態估計 或者說行人追蹤 如果這個目標是自身，那麼就是車輛自身的追蹤 結合一些地圖的先驗，gps等資料的話就是自身的定位 在很多的無人駕駛汽車專案中...