一、什么是卡尔曼滤波器？
学习卡尔曼滤波器之前，我们需要了解一下相关的背景，“卡尔曼”即一个人的人名，叫做Rudolf Emil Kalman，是匈牙利的数学家，这个人是数学家，但是获得的是麻省理工的电机工程学士和硕士学位，然后在哥伦比亚大学获得博士学位。
这个人很厉害，他的博士论文和1960年发表的《A New Approach to Linear Filtering and Prediction Problems》即线性滤波与预测问题的新方法。我们大家学习的卡尔曼滤波应用广泛都是来自这里。附上卡尔曼的文章：http://www.cs.unc.edu/~welch/media/pdf/Kalman1960.pdf。
它的应用广泛且超过三十年，应用范围包括机器人导航、控制、传感器数据融合甚至是在军事方面导弹追踪等，近年来更是被应用于计算机头像处理：人脸识别、图像分割、图像边缘检测等。
二、Introduction to the Kalman Flter
个人对卡尔曼的理解比较困难，大学控制工程也没学好，现在先从两个方面对卡尔曼滤波器进行讨论，为了方便理解，先用形象的方式描述，再使用抽象的公式进行描述。
形象法：
那么，举一个例子吧，卡尔曼滤波就是为了测量值。
背景：现在有一个房间，我或者你们想知道房间的温度是多少？
预测：好了，有人（智慧树下你和我）要预测一下，认为下一刻温度基本不变，这里有个“基本”，不确定啊！那么就给个偏差（不确定性）呗
假设：偏差的分布情况与时间无关，且符合高斯分布（天知道什么分布，反正用高斯差不太远，除非咋们有一些更有效的分布），偏差这里也叫作白噪声（white Gaussian Noise）
实际情况：总这么猜是如此的不靠谱，你买了一个温度计，可惜你被奸商骗了，温度计质量差，天知道误差多少！反正温度计给了一个下一刻的测量值，你爱用不用！
思考一下：你预测了一个温度，但是不一定准，你的温度计也告诉你一个坑爹的温度，你也不完全相信。一个预测值，一个测量值？真实头疼。
同一时刻的预测值和测量值，你想用起来使用一定的方法进行处理，使得得到更加可靠的数据（真实值是永远不可能得到的，我们只能猜猜猜、测测测！）
不管是预测值还是测量值，我们都认为他们有各自的偏差噪声，且噪声分布相互独立（想当然了！为了简化，先想当然一下）
计算：假设预测值23摄氏度，温度计给的值是26摄氏度，
未完待续。。。
https://www.cnblogs.com/sillykog/p/6618587.html