Intro to Kalman Filter
Optimal Recursive Data Processing Algorithm
👉Filter并不能够很好的展现这种方法的实际含义
不确定性
- 不存在完美的数学模型
- 系统的扰动不可控，也很难建模
- 测量传感器存在误差
Kalman Filter的广泛应用正是因为现实世界存在着不确定性。为了更好的理解这一点，可以回顾一下隐马尔可夫链的推理任务相关的笔记
例子：测量取平均值
是第次的估计值；是第次的测量值
很容易发现，随着k的增大，当前测量值对估计值的影响越来越小，这也是符合逻辑的
进一步的，上面的式子可以写为：
：Kalman Gain，卡尔曼增益
当前的估计值=上一次的估计值+系数×（当前测量值-上一次的估计值）
Kalman Gain
给出两个误差的定义：
- 估计误差
- 测量误差
