在卡尔曼滤波器中我们重复测量和运动两个过程，这通常被称为测量跟新，这被称为预测值。
在这个过程中我们使用贝叶斯定理就是一个乘法，在这个更新里我们使用全概率定理，就是一个卷积，或是一个加法。
让我们来谈谈测量循环
使用高斯函数来实现这些步骤。
假设你在定位另一辆车，然后有这样一个先验分布，这是一个非常宽的高斯函数黑色线表示，它的平均值在中间这，现在假设我们有一个测量值告诉我们关于另一辆车的位置信息，就像蓝色线表示。测量值的方差较小。这是一个我们在先验知识里对车的位置完全不确信，但是测量值给了我们更多信息的一个情景。
这里给你一个问题，之后的高斯函数的新的平均值会在哪里？
答案是中间的这个，他在两个旧的平均值中间——先验知识的平均值和测量值的平均值。它偏向于测量值的一面，因为测量值比先验知识对车的位置更加确信。确信度越高，我们将平均值向相应的
方向拉的越近。
运动循环
