卡尔曼滤波算法

先看这篇,强推:https://www.bzarg.com/p/how-a-kalman-filter-works-in-picture/
这篇结合代码讲解:https://zhuanlan.zhihu.com/p/90835266

核心就两个:

1. 运动学模型的建立. 计算预测值
   状态量是一个Ｎ个量(代表了N个分布的均值)组成的Ｎ维向量,每一个量都符合高斯分布.　根据运动学模型,可以根据t-1时刻的状态量得到t时刻的状态量的分布.　具体而言,包括两个:1.均值(分布的中心) 2.协方差矩阵(分布的不确定程度)

2. 优化预测值
   检测算法给出的检测结果是观测值. 我们认为检测算法是有误差的(不管是来自传感器本身还是算法本身),并且我们认为其分布是一个高斯分布.(构成这个高斯分布的噪声矩阵就是要调参的内容)　那么我们叠加这个高斯分布和上一步中计算出来的高斯分布,得到一个新的高斯分布,作为我们认为的当前的优化后的高斯分布.

不断重复上述过程,得到越来越优化的接近"真实目标属性分布"的分布.

存在的问题:

1. 运动学模型建立要准确
2. 观测值(也就是检测算法给出的结果)　其误差是不是真的符合高斯分布? 调参的方向是什么