Kalman Filter

概述

一种用于从含噪声的测量数据中估计动态系统状态的递归算法，由Rudolf Emil Kalman在1960年提出。

关键内容

1. 核心思想：
2. 通过结合系统模型预测和传感器测量值来估计系统状态
3. 采用预测-更新的递归循环机制

4. 在预测值和测量值之间进行最优加权平均

5. 算法原理：

6. 预测步骤：根据动力学模型预测下一时刻的状态和不确定性
7. 更新步骤：利用新获取的传感器测量值更新状态估计

8. 卡尔曼增益：决定预测值和测量值的权重分配

9. 优势特点：

10. 无需存储全部历史数据，只需维护当前最佳估计和不确定性
11. 支持多输入多输出系统
12. 能够处理非平稳信号

13. 算法简洁，易于编程实现

14. 历史意义：

15. 1960年在ASME Journal of Basic Engineering发表
16. 解决了冷战时期太空竞赛中的导航定位难题

17. 在阿波罗登月计划中发挥了关键作用

18. 现代应用：

19. GPS导航系统中的定位融合
20. 自动驾驶汽车的传感器融合
21. 机器人定位与轨迹跟踪
22. 金融工程中的动态状态估计
23. 气象预报中的数据同化

来源

• /raw/books/时间序列分析/04-kalman-1960-filter.md — 详细介绍算法原理与应用
• A New Approach to Linear Filtering and Prediction Problems — 原始论文

相关

• Rudolf Emil Kalman — 发明者
• State-Space Model — 依托的建模框架
• Wiener Filter — 前身方法
• Extended Kalman Filter — 扩展版本
• Unscented Kalman Filter — 无迹卡尔曼滤波