1.卡尔曼滤波入门
卡尔曼滤波的引入：
滤波就是将测量得到的波形中的的噪声过滤掉，使得到的数据更趋于真实情况，也更加平滑，方便使用。如下图所示（红色曲线是测量直接得到的波形，紫色曲线是滤波后得到的平滑曲线）
卡尔曼滤波适用的系统：
卡尔曼滤波适用线性高斯系统
1.线性系统：满足叠加性和齐次性
叠加性：
齐次性：
2.高斯系统
高斯：噪声满足正态分布
宏观意义：
滤波即加权
理想状态：信号1+噪声0
卡尔曼滤波：估计值估计值权重+观测值观测值权重
2.学卡尔曼滤波的必备知识
2.1.状态空间表达式
：当前状态的值；
：上一个时刻该状态的值；
：输入，即给到
的一个输入；
：过程噪声
A：状态转移矩阵，代表当前状态上一时刻的值乘上A这种关系，作用在该系统
B：控制矩阵，输入乘上B这种关系，作用在该系统
举例：一辆小车以速度v在路上行驶，迎面而来的风速v1
那么状态方程与该情形对应关系如下
：当前状态的值；
C：乘上某种关系得到要观测的值
：观测噪声，和观测器的误差有关
举例：火炉对水加温，蓝色点是水温的状态值，红色的点是温度计，温度计是一个传感器得到观测值
那么状态方程和观测方程与该情形对应关系如下
方框图表示如下所示
2.2.高斯分布
高斯分布直观图解：
二维中，所有值投影到x轴或y轴，都是正态分布
高斯分布参数分析：
是过程噪声，符合正太分布，均值为0，方差为
是观测噪声，符合正太分布，均值为0，方差为
统称和
为高斯白噪声
举例1：GPS检测到小车的位置，检测到小车开了1000米，但是GPS有精度误差，因此要加上米的噪声，该噪声就是观测误差，
=
。因为
是服从正态分布的，假设其方差为1，则此时
=1
举例2：有一个滑板，滑板前进的速度是5m/s，由于风的作用，因此滑板的速度有一个噪声，此时滑板的速度为v+
，那么
=
，
是符合正太分布的，假设
，则
=1
2.3.方差
一维方差：
（1）噪声的方差：前面的和
（2）状态的方差：后面会提到状态估计值的方差,
举例：小车实际跑了10米，但是由于噪声的影响，小车跑的距离是一个范围，服从正太分布，此时小车跑的距离就是10+（噪声），该距离符合正态分布，因此小车跑的距离本身也会有一个方差。
二维协方差：cov(x,y)
一维的状态估计值为一个值；
二维的就是一个矢量，有两个不同的状态，如下图所示。这两个不同的状态同时对应着不同的噪声。
对于二维的，其协方差就为
多维协方差矩阵C：
2.4.超参数
实验中，需要自己调来提高系统性能的参数：
卡尔曼滤波器中：Q（过程噪声的方差） R（观测噪声的方差）
PID控制器中：P I D
2.5.卡尔曼直观图解
横轴为车的位置，竖轴为概率密度。
：状态量旁边没有横杠就是最优估计值（修正值、后验估计值）
：状态量旁边有横杠就是预测值（先验估计值）
：观测值，也就是传感器直接测量得到的值
图解：
（1）
是上一时刻的最优估计值，也就是上一时刻卡尔曼滤波最终输出的值
（2）和
是基于上一时刻最优估计值
估计出来的当前时刻的预测值
是当前时刻的观测值
（3）
是当前时刻的最优估计值，通过当前时刻预测值
和当前时刻观测值
推出，上图可以看出
方差比较小，是因为经过卡尔曼滤波后，最终推出的
效果较好
3.卡尔曼滤波
3.1.卡尔曼公式理解
实现过程：使用上一时刻的最优结果预测这一时刻的预测值，同时使用这一时刻观测值（传感器测得的数据）修正这一时刻预测值，得到这一时刻的最优结果
注：当状态值是一维的时候，H和I可以看作是1
预测：
1.上一时刻的最优估计值，推出这一时刻的预测值：
2.上一时刻最优估计值方差/协方差和超参数Q推出这一时刻预测值方差/协方差
深入理解，Q其实对应的是过程噪声的方差
更新：
1.这一时刻预测值方差/协方差和超参数R推出卡尔曼增益
为卡尔曼增益
因为是和Q有关的，所以将
的公式带入可以推出卡尔曼增益
是和Q和R都有关的
深入理解，R其实对应的是观测噪声的方差
2.这一时刻预测值、这一时刻观测值、卡尔曼增益推出这一时刻最优估计值
为这一时刻观测值
3.这一时刻预测值方差/协方差、卡尔曼增益推出这一时刻最优估计值方差/协方差
举例：
小车有两个状态值，p代表位置，v代表速度。小车处于匀加速直线运动
预测模型：
1.上一时刻的最优估计值，推出这一时刻的预测值：
2.上一时刻最优估计值方差/协方差和超参数Q推出这一时刻预测值方差/协方差
推导：
因为
所以
其实第一步中这一时刻预测值后面应该还有一个过程噪声Wt要加上（前面省略了），如下图所示，这里面Q是前面省略的过程噪声Wt的方差
测量模型：
GPS测量只能测量小车的位置，不能测量小车的速度，所以
Zp是小车此时的真实位置
Zv是小车此时的真实速度
Pt是测量得到的小车此时的位置
Pt是GPS测量位置的误差
更新模型：
1.这一时刻预测值方差/协方差和超参数R推出卡尔曼增益
前面测量模型中，因为无法测速度，测量相当于是一维的，一维时H看作为1
2.这一时刻预测值、这一时刻观测值、卡尔曼增益推出这一时刻最优估计值
3.这一时刻预测值方差/协方差、卡尔曼增益推出这一时刻最优估计值方差/协方差
预测更新循环往复，就能得到每一时刻的最优估计值
3.2.调节超参数
3.2.1.Q和R的取值
当F=1且一维的情况H=1，那么
再结合这一时刻最优估计值的公式，如下：
可以得出：
当我们更信任观测值时，那么应该让卡尔曼增益K增大；从K的公式中可以看出，R越小K越大，Q越大K越大
当我们更信任模型估计值时，那么应该让卡尔曼增益K减小；从K的公式中可以看出，R越大K越小，Q越小K越小
结论：
当我们更信任模型估计值时（模型估计基本没有误差），那么应该让K小一点，我们应该将R取大一点，Q取小一点
当我们更信任观测值时（模型估计误差较大），那么应该让K大一点，我们应该将R取小一点，Q取大一点
3.2.2.P0和X0的取值
和的取值其实是比较随意的，因为经过后面几轮迭代后，就会很快趋于稳定值
3.2.3.卡尔曼滤波的使用
