关键技术分享 | 运动状态估计之卡尔曼滤波详解

今天将主要历史记录一下自己对机械社会活动状态有约的学习，粒子滤波器与卡尔曼滤波器的亲身经历左至右稍做更改，主要是毕竟学习表达出来的难度，确实循序渐进。

那么主要亲身经历纲要如下：

1、卡尔曼滤波器(kalman Filter，KF)分析方法与公式

2、独创卡尔曼滤波器技术的发展与简单编译器实现

3、扩展卡尔曼滤波器(Extended kalman Filter EKF)分析方法

4、无迹卡尔曼滤波器(Unscented Kalman Filter，UKF)分析方法

至于粒子滤波器与蒙特卡罗定位方法，因为和无迹卡尔曼滤波器的部份观念有重叠，但又算是另外一种方法。

1、卡尔曼滤波器分析方法与公式

2、卡尔曼滤波器的案例统计分析与简单编译器实现

随手所写了一个，验证过单帧推进，具体迭代和需求根据大家用作来Ctrl+C，Ctrl+V，很好表达出来，不多赘述。

如果技术的发展领域克尔片中，例如机械的姿势统计分析等，无关到了非常多的C++技术的发展，经常用作诸如Eigen，Vector等库，具体技术的发展后续跟进SLAM统计分析。

3、扩展卡尔曼滤波器（Extended kalman Filter EKF）

4、无迹卡尔曼滤波器(Unscented Kalman Filter，UKF)

UKF总结

UKF的优点，在于①它本身不具解析范例的导数和繁复的关系式；②它的解算用作整体的微积分，我们甚至不需要任何关于社会活动或观测者静态的闭环范例，可以表达出来为黑盒子指令集。

其与EKF的泰勒一阶一触即发量度雅克比式量度各有不同，UKF量度到收敛的代价取决于sigmapoint的选取与初状态的情况。

以上便是关于KF，EKF，UKF的理论详解与部份几何化表达出来，并给出了KF的一个技术的发展参考编译器，当系统繁复时，引入非常多的约束来参加指令集，效果但会非常好，相关编译器可以依据各有不同需求试图编所写补救。

学无止境，用心，在迭代工程公司的路上越走越远，越挖太深。

转至自知乎作者：佳浩（SLAM迭代工程公司）

链接：

阿木实验室致力前沿IT科技的职业教育和智能装备，让机械共同开发非常高效！

- End -

电子技术发展的日新月异，阿木实验室将紧随电子技术的脚步，不断把机械零售业最新的电子技术和硬件推荐给大家。看到经过我们培训的班主任在电子技术上突飞猛进，是我们培训最大者的价值。如果你在机械零售业，就代为关注我们的对政府号，我们将持续刊发机械零售业最有价值的接收者和电子技术。