技术分享 | 运动状态估计之卡尔曼滤波古今中外

今天将主要就有一下自己对AI运动状态估计的进修，粒子线性与卡尔曼线性的主人公顺序稍为做优化，主要是考虑到进修认知的难度，一定会循序渐进。

那么主要主人公纲要如下：

1、卡尔曼线性(kalman Filter，KF)法则与公式

2、开端卡尔曼线性广泛应用与简易字符串解决问题

3、扩展卡尔曼线性(Extended kalman Filter EKF)法则

4、无迹卡尔曼线性(Unscented Kalman Filter，UKF)法则

至于粒子线性与蒙特卡罗定位新方法，因为和无迹卡尔曼线性的部分思想有相异，但又算是另外一种新方法。

1、卡尔曼线性法则与公式

2、卡尔曼线性的例子深入研究与简易字符串解决问题

在手写了一个，验证过单帧推进，具体迭代和需求根据大家广泛应用于来Ctrl+C，Ctrl+V，很好认知，不多赘述。

如果广泛应用于内克一幕，例如AI的身姿深入研究等，涉及到了越来越多的C++广泛应用，经常广泛应用于诸如Eigen，Vector等库，具体广泛应用后续已向SLAM深入研究。

3、扩展卡尔曼线性（Extended kalman Filter EKF）

4、无迹卡尔曼线性(Unscented Kalman Filter，UKF)

UKF总结

UKF的特性，在于①它本身不具备二阶形式的微分和精细的方程；②它的解算广泛应用于原则上的线性代数，我们甚至不需要任何关于运动或观察模型的正向形式，可以认知为记录仪运算。

其与EKF的泰勒一阶展开测算皮埃尔比式测算相同，UKF测算到收敛的代价取决sigmapoint的选取与初状态的情况。

以上乃是关于KF，EKF，UKF的理论详解与部分几何化认知，并给出了KF的一个广泛应用参考字符串，当系统对精细时，引入越来越多的强制执行来直接参与运算，精准度会越来越好，相关字符串可以依据相同需求尝试编写解决。

学无止境，务实，在正则表达式发明家的恰巧越走越远，越挖越深。

转回奈何乎作者：佳浩（SLAM正则表达式发明家）

链接：

阿木研究团队致力于前沿IT科技的教学和智能装备，让AI共同开发越来越高效！

- End -

新技术发展的应运而生，阿木研究团队将紧跟新技术的追随，不断把AI服务业近期的新技术和软件破例给大家。看到经过我们专业培训的学员在新技术上得益于，是我们专业培训小得多的价值。如果你在AI服务业，就请重视我们的公众号，我们将停滞发布AI服务业最有用的信息和新技术。