@卡尔曼滤波 跑通调参

可以先像一开始接触PID那样，先把整个系统跑通，感受一下它是咋用的。后面再回过头来研究原理。

 

学习OpenCV2——卡尔曼滤波(KalmanFilter)详解

 

四旋翼姿态解算--互补滤波和拓展卡尔曼

上述的EKF本质上就是对加速度计、陀螺仪、磁力计的数据进行滤波。经过滤波的加速度和磁力计数据可以得到旋转矩阵，也就估计出了无人机的姿态。

Q和R选取不同参数，会有不同效果。

理解Kalman滤波的使用   里面这个误差矩阵H没搞懂是代表啥 

关于卡尔曼滤波本质解释和公式推到         文章说法是，定义误差 e_t = x_t - x&_t ，P_t为此误差的协方差矩阵，目的是使这个误差协方差矩阵最小化，把(3)代过去，于是折腾来折腾去，再求个导数为0，解得K

这篇文章的语言是很有意思啊哈哈哈，好好看看能解答不少概念不清楚的地方。

首先，我们先要引入一个离散控制过程的系统。该系统可用一个线性随机微分方程（Linear Stochastic Difference equation）来描述：

X(k)=A X(k-1)+B U(k)+W(k)

再加上系统的测量值：

Z(k)=H X(k)+V(k)

上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声(White Gaussian Noise)，他们的covariance 分别是Q，R（这里我们假设他们不随系统状态变化而变化）。

 

卡尔曼告诉我们一个灰常牛B的事情，一个相对准 确的系统值具有如下结构：

x&_t = x&-_t + K( z_t - H*x_(t-1) );  (3)

提 一下，这里" & "表示估计值，" - "表示是用前面式子算出来的估计值，不带" - "表示是最后的估计值。

哦，对了，另外注意一点，从此以后，我们就都在估计上做文章了，你只要记得，咱永远看不到真实值就行了，于是我们的式子里不是带"&"就是带"-"。

结合  Kalman滤波器初步自行理解  中说的   典型的公式中，前两个是时间更新方程，后三个是状态更新方程（公式中（ − 代表先验，ˆ代表估计） 大概知道  " - "表示是用前面式子算出来的估计值，也就是先验？

定义误差 e_t = x_t - x&_t ，P_t为此误差的协方差矩阵，目的是使这个误差协方差矩阵最小化。

而Q表示的是状态方程模型和实际模型之间的误差，包括模型失配和外界扰动等误差。

【工程师学算法】工程常用算法（二）—— 卡尔曼滤波(Kalman Filter)              这一篇也非常知得一看，很多概念都解释清楚了

Q代表本次估计产生的不确定性（比如无法预测的外部扰动以及模型自身的不确定性）

结尾提到的DR_CAN的B站视频，再看一遍感觉收获颇多