引言
Kalman Filter，很多人刚听到这个名词时，总是会下意识认为这就是个滤波器。我这里想要重点声明的是，Kalman Filter不是滤波，它是一种信息融合的过程。
那么Kalman Filter到底是什么？它在那些方面有着应用，它的基本原理又是什么。如果你参考国内的论坛或者教材上，你一定会发现，大部分都是一些复杂公式与枯燥抽象的说明。这里我们将通过尽量通俗易懂的讲解来给大家解释下什么叫Kalman Fiter。
先睹为快
正如我前面提到的，从定义及复杂公式去理解卡尔曼滤波，对咱们凡人来说基本是不可能的。我们将公式简化，先从下面的公式来开始讲解：
卡尔曼滤波器为每个结果状态找到最优的平均因子。 不知怎的，还记得一些关于过去的状态。
如何，Kalman Filter神奇吧！
分步指南
下面是分布指南，可以快速开始卡尔曼滤波。
Step1 构建模型
这是最重要的步骤。首先，你必须确保卡尔曼滤波的条件符合你的问题。
我们还记得卡尔曼滤波的两个典型方程（wiki）：
Step2 开始处理
如果你成功的将你的模型拟合到卡尔曼滤波器中，那么接下来的步骤就是决定必要的参数及你的初始值。
我们有两个不同的方程集合：时间更新（预测）及测量更新（校准）。两个方程集合都是应用在第k个状态
我们在步骤一中建立模型，因此我们知道矩阵A,B和H。很可能，他们都是数值常量。并且他们极可能都是数值1.
我建议你们重新写下这些公式，并看看如何去简化这些公式。
.
上述公式中最痛苦的事儿就是确定R和Q了。R还相对比较容易找出，因为，通常来讲，我们对环境中的噪声还是比较确定的。但是寻找Q就并不明显了。在这个阶段，我们并不能给你一个指定的方法。
Step3 迭代
在我们收集了我们需要的所有信息后，我们开始处理流程，现在我们可迭代估计。我们要牢记上一状态的估计将成为当前状态的估计的输入。
这里，先验估计指测量更新校准前的粗略估计。这里我们使用在测量更新公式中的先验值
在测量更新公式中，我们找到了在状态k时x的估计。并且找到了为了状态k+1估计所需要的值。
我们计算的卡尔曼增益，在下一个迭代步骤中并不需要。 这是一组方程中隐藏的，神秘的，最重要的部分。
我们在测量更新阶段评估的值也称为后验值。这也是说得通的。
一个简单的例子
如果小伙伴们在看到这里还有点稀里糊涂的，那么接下来我们找个例子来加深下理解。
现在，让我们努力去估计一个标量随机常数，例如来自某个信号源的“电压读数”。假设它有一个恒定的a V电压，但是我们读数会不准确，可能会读高了，也有可能读低了。我们假设测量噪声的的标准差为0.1 V。
现在我们来构建我们的模型：
就像我之前说的，我们可以把方程简化成非常简单的形式。
- 首先，我们有一个一维的信号的问题，因此我们模型中的每个系数都是数值，而不是矩阵。
- 我们并没有控制信号u
- k
- uk
- 因为信号是一个常数，那么常数A就是1，因为我们已经知道下一个值等于先前的值。我们很幸运，在这个例子中我们有一个恒定的值，但是即使它具有其他任何线性性质，我们都可以将它假设成1.
- 值H=1,因为我们知道测量值是由状态值和一些噪声组成的。你很少会遇到现实生活中，H与1不相同的情况
最后，我们假设我们得到了下面的测量值
每一轮计算的步骤：
閱讀更多 人工智能小迷妹 的文章
