卡尔曼滤波

  这篇文章完全是我自己为了记录一下自己对于KF的印象，表层的不能再表层了。如果是需要详细了解KF的请去阅读高手的文章，不要在此篇上浪费时间~
  前言：在读一些文章的时候，总会看到研究方法基于卡尔曼滤波(KF)，十分好奇这到底是什么东西？怎么有这么大的魔力？凭借好奇心搜了搜相关的资料，直接挂掉，内容还是很复杂的，需要一段时间才能明白。因为现在没有太大的需求，做个简单的了解，若日后有需，再来深究。

卡尔曼滤波能干什么/卡尔曼滤波用于解决什么问题？

  抽象来说，KF解决的是如何从多个不确定数据中提取相对精确的数据。这个相对精确的数据也可以被称为最优状态估计。从名字上看KF也是一种滤波，从宏观上说滤波就是加权，增大我们感兴趣的权重。比如低通滤波就是信号值和噪声之间加权，前者为1，后者为0。那KF其实是观测值和预测值的加权，求解过程就是为了确定二者的权重。
  以状态估计为出发点，对KF进行理解可以参考下下面这段话(出处已标)：

我们通常要对一些事物的状态去做估计，为什么要做估计呢？因为我们通常无法精确的知道物体当前的状态。为了估计一个事物的状态，我们往往会去测量它，但是我们不能完全相信我们的测量，因为我们的测量是不精准的，它往往会存在一定的噪声，这个时候我们就要去估计我们的状态。卡尔曼滤波就是一种结合预测（先验分布）和测量更新（似然）的状态估计算法

  引自原文链接：https://blog.csdn.net/AdamShan/article/details/78248421

卡尔曼滤波的一个应用

  我看KF是从SLAM的相关文章上看到的，其实这是KF的应用之一：从一组有限的，对物体位置的，包含噪声的观察序列中预测出物体的坐标位置及速度

卡尔曼滤波的优缺点(不是很全面)

  优点：卡尔曼滤波适用面广，滤波效果较好
  缺点：仅能对线性过程和测量模型进行精确的估计，在非线性场景中不能达到最优的估计效果

  卡尔曼滤波的变种：扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等

因作者水平有限，如有错误之处，请在下方评论区指出，谢谢！