卡尔曼滤波简介、发展及理论推导

        卡尔曼滤波（Kalman filtering）是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。实际上，KF就是一种状态观测器，但它是为随机系统设计的。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。

        斯坦利·施密特(Stanley Schmidt)首次实现了卡尔曼滤波器。卡尔曼在NASA埃姆斯研究中心访问时，发现他的方法对于解决阿波罗计划的轨道预测很有用，后来阿波罗飞船的导航电脑使用了这种滤波器。 关于这种滤波器的论文由Swerling (1958), Kalman (1960)与 Kalman and Bucy (1961)发表。

        数据滤波是去除噪声还原真实数据的一种数据处理技术，Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。由于它便于计算机编程实现，并能够对现场采集的数据进行实时的更新和处理，Kalman滤波是目前应用最为广泛的滤波方法，在通信，导航，制导与控制等多领域得到了较好的应用。

研究趋势：

 关联研究：

 理论推导：

        卡尔曼滤波(KF)仅限于线性系统，对于非线性系统，需要使用非线性状态估算器来代替KF，由此引出扩展卡尔曼滤波器(EKF)，EKF把非线性函数在当前估算状态的平均值附近进行线性化，在每个时间步执行线性化，然后将得到的雅可比矩阵用于预测。 所以当系统是非线性并且可以通过线性化很好地近似时，EKF是状态估算地一个很好的选择。

        EKF的缺点：1、由于复杂的导数，可能难以解析计算雅可比矩阵；2、以数值方式计算它们则可能需要很高的计算成本；3、EKF不适用于具有不连续模型的系统，因为系统不可微分时雅可比矩阵不存在；4、高度非线性系统的线性化效果不好。

        其中最后一种情况下线性化无效，因为非线性函数并不能通过线性函数很好的近似表达出来，描述不了系统动力学。

        为了解决EKF问题，可以使用另一种估算技术，称为无迹卡尔曼滤波(UKF)；

        基于相似原理的另一种非线性状态估算器是粒子滤波(PF)。