2，可信度預測

講解卡爾曼濾波之前，先講一個故事。兩個釀酒師傅判斷當前酒的度，一個老師傅，一個學徒。酒廠里酒的度數(shù)，老師傅的判斷大多時候是更加準確，而學徒大多時候的判斷誤差會大一些。一壇經(jīng)過10天發(fā)酵的酒，老師傅說是30度，學徒說是26度。但是這壇酒的實際度數(shù)是不知道的，那么我們怎樣知道一個相對準確的結果呢？我們可以直接認為老師傅的回答正確，但是 老師傅也會馬失前蹄，學徒也會有準的時候 ，只是大多數(shù)時候誤差大一些。怎么得到相對可信度更高的結果呢?？梢酝ㄟ^如下公式：

預測度數(shù)=K* 師傅預測+(1-K) * 學徒預測

來作為酒的度數(shù)， K可以理解為對老師傅判斷的可信度，1-K可以認為是對學徒判斷的可信度 。顯然讓K大一些，比如K=0.8,說明我們更相信師傅的判斷。隨著學徒技藝的熟練K變?yōu)榱?.6，那么那么對學徒判斷的權重增加了，對師傅判斷的可信度權重減小了。所以這個K很重要。

同樣的，從工程試驗中來說明，假設有兩個廠商的加速度傳感器A和B，汽車在跑，不斷的讀取A和B，每次會得到兩個值，那么該相信哪個傳感器的結果呢？傳感器測量出來的結果一定是有誤差的，不同廠商的傳感器誤差范圍不一樣，加上傳感器受到的環(huán)境的干擾等因素這樣也會干擾傳感器的測量結果。那么怎么得到更加可靠的結果呢？是不是和剛才的師傅判斷酒的度數(shù)很像？

假設A廠商的傳感器質(zhì)量好精度高，B廠商的誤差大，精度小，那么我們肯定更加相信A的測量結果。我們同樣 ，傳感器A ，傳感器B ，則：

綜合考慮傳感器A和傳感器B這就是兼聽則明。K越大說明越相信傳感器A測量的數(shù)據(jù) 。

如何選擇最優(yōu)的K，使上面得到的 可信度最高呢？這就需要卡爾曼濾波 。

3，卡爾曼濾波

下面這段是百度出來的卡爾曼濾波：

卡爾曼濾波（Kalman filtering）是一種利用線性系統(tǒng)狀態(tài)方程，通過系統(tǒng)輸入輸出觀測數(shù)據(jù)，對系統(tǒng)狀態(tài)進行最優(yōu)估計的算法 。由于觀測數(shù)據(jù)中包括系統(tǒng)中的噪聲和干擾的影響，所以最優(yōu)估計也可看作是濾波過程。

用土話來解釋就是測量系統(tǒng)的狀態(tài)，由于有各種噪聲，會導致測量結果存在一定的誤差，那么如何降低這些誤差得到更加可信的數(shù)據(jù)呢，那么就是使用卡爾曼濾波做最優(yōu)估計。

卡爾曼濾波適用于線性系統(tǒng)，并且系統(tǒng)的噪聲滿足高斯分布 (通常的工程過程噪聲都滿足)。

卡爾曼濾波是 以最小均方誤差為估計的最佳準則 。也就是卡爾曼濾波定義的系統(tǒng)的最優(yōu)是讓估計結果的分布的方差最小的估計。

接下來引入卡爾曼濾波，首先引入 高斯分布或者叫正態(tài)分布 。

通常工業(yè)場景中許多測量和過程中的誤差都都滿足正態(tài)分布，所以傳感器的測量結果X=T+a，噪聲a滿足高斯分布，所以X也滿足高斯分布。

傳感器的測量結果X滿足高斯分布：

其中期望值是u，方差是****sigma(這個符號打不出來，就是上面分布中的值，后面都用sigma)

數(shù)學表達為：

坐標圖為：

高斯分布

然后解釋卡爾曼濾波，還是以剛才的傳感器來說明，日常中各種噪聲，干擾都符合高斯分布。所以傳感器的測量結果也是符合高斯分布

傳感器A的測量 符合：

傳感器B的測量 符合：

其中a和b就是測量噪聲

預測加速度是：。 概率論可以證明兩個高斯分布的線性組合也符合高斯分布 ：

所以預測 符合：。當K取不同值的時候得到的 u‘和sigma 也不同。那么 最優(yōu)估計是什么呢？剛才說了是讓方差最小。也就是當取某個K的時候 sigma'最小的估計是最優(yōu)估計 。

這是一個拋物線，可以證明當 的時候，

sigma'取最小值。將K帶入可以得到:

的時候 預測加速度X’也符合高斯分布，并且sigma' 取最小值。這個時候是最優(yōu)估計，可信度最高。

這就是卡爾曼濾波，我們畫圖如下：

卡爾曼濾波分布

可以看到 預測加速度X’ 更加的瘦高，所以這樣得到的估計更加的可信 。