對於非線性模型，比如我們前面使用的cvtr
經過這樣的模型**出來的狀態就不會是正態分佈的了
那麼我們就沒法用傳統的卡爾曼濾波器
當然，可以選擇使用擴充套件卡爾曼濾波，非線性函式，泰勒展開線性化唄
你願意這麼做，也可以，但是你就得算雅克比矩陣不是麼
新來的無損卡爾曼濾波呢，就讓你不用再算jacobi矩陣了哦
他就是 處理非線性函式時，他就是進行了無損轉換
怎麼說呢？
就是把非線性過程模型的結果，就是這個誰也不知道什麼分布的結果
他給轉換成了乙個正態分佈的結果！！
還能表示一樣的狀態。
那接下來呢？？
求乙個分布的均值和協方差，接著迭代唄
所以其他部分，和我們的卡爾曼濾波沒啥區別
重點就是，把非線性函式處理來的結果，轉換了
那他到底是怎麼轉換的呢？？
你好問了，這是什麼玩意？
大家都知道，使用非線性函式對整個狀態分布，進行轉換，很有難度
但是啊，你把分布a的某個點，由非線性模型轉換到分布b的某個點，就很簡單。帶進函式求個值就完了
分布a就是我們後驗嘛，就是上一輪迭代出來的。
分布b呢，先驗唄，我們要**的狀態，但是現在我們還不知道他是個啥
sigma點是什麼呢？
他們分布在狀態均值的周圍，和每乙個狀態大小的標準差的和有一定關係
他們就可以代表整個分布。
所以得到當前分布的sigma點之後，帶進非線性函式，算出一組新的sigma點。
那麼，得到的這組新的sigma點不就是代表了分布b麼
所以求出這組sigma的均值和方差就可以下一步迭代了
選擇sigma點
**sigma點
根據得到的sigma點，計算均值和方差
卡爾曼 卡爾曼濾波 1
今天主要介紹一下卡爾曼濾波器，所謂卡爾曼濾波器其實是一種最優化遞迴數字處理演算法 optimal recursive data processing algorithm 卡爾曼濾波器應用 既然我們有了測量儀器，這些測量儀器可以目標給出準確測量值。還需要卡爾曼濾波器進行估計嗎?下面解釋一下為什麼需要卡...
卡爾曼 基礎卡爾曼濾波
卡爾曼濾波器是一種基礎 定位演算法。原理非常簡單易懂。核心過程可以用乙個圖說明 本質上就是這兩個狀態過程的迭代，來逐步的準確定位。更新 更具感測器獲取到比較準確的位置資訊後來更新當前的 問位置，也就是糾正 的錯誤。你可能要問為什麼有感測器的資料了還要進行更新？因為在現實世界中感測器是存在很多雜訊干擾...
卡爾曼濾波
卡爾曼濾波演算法 首先引入乙個離散控制過程的系統，用乙個線性隨機微分方程來描述 x k a x k 1 b u k w k 系統的測量值 z k h x 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...