本文目录
有哪些关于Kalman Filter不拘一格的论文或书
卡尔曼滤波的存在就是用来试图模仿原系统，也包括原系统的各种性质。试图就是说，很多时候模仿不了。模仿不了的时候，你需要广义EKF，重新定义误差。
再说一万遍，update没啥神奇的，仅仅只是初中一年级的时候在一元二次方程就学过的 “配方”的稍微高级的版本。
广义EKF导出的RI-EKF，也许是南半球最好的SLAM EKF。
Convergence and Consistency Analysis for A 3D Invariant-EKF SLAMnvergence and Consistency Analysis for A 3D Invariant-EKF SLAM
广义EKF导出的RI-EKF，也许是全球最好的VINS EKF。
An Invariant-EKF VINS Algorithm for Improving Consistency
是不是够不拘一格？
哪个大神能帮我讲解一下卡尔曼滤波的算法原理啊
卡尔曼滤波算法的核心是动态调整权值。用过互补滤波的应该知道它的权值是静态的，而卡尔曼是动态的。刚刚接触卡尔曼也不要紧张，我来一步步剖析这个东西。
下面附图的五条公式是卡尔曼的核心。它的本质就是通过预测结合测量来估计当前系统的状态。举个例子，假如我们要估计一架飞行器的姿态，可以通过IMU来实时测量，但是测量值有一定的风险是不准确的，所以并不能完全依赖传感器。任何一个满足物理规律的系统应当是连续的，所以我们还可以通过上一状态来预测当前状态。Kalman Filter正是结合这两条进行状态估计，到底是相信哪一个多一点，还要根据Kt来决定，我们定义Kt为卡尔曼增益，它是根据 测量和预测的协方差来计算的。
先解释下每个公式所要表达的含义以及变量的含义：
line 2： 首先通过上一状态最优值和将要施加的控制量来预测当前状态，由假设一可以得到：
因为我们只是求均值，而高斯噪声均值为0，所以可省去最后一项。
At指当前时刻的状态转移矩阵（就是指从上一状态转变为下一状态的关系矩阵）；
Bt指当前时刻的控制矩阵（就是指影响控制量的控制矩阵）；
ut指当前时刻的控制量；
ut-1指上一时刻最优估计值；
指当前时刻估计值；
line 3： 除了预测均值之外，我们还需要预测值的协方差来计算Kalman增益。
指上一时刻的预测值协方差矩阵；
Rt指当前时刻测量值噪声矩阵；
line 4：根据预测值的协方差，测量值和状态的比例系数，测量值的协方差来计算Kalman增益。
Kt指卡尔曼增益（指的就是权值）；
Ct指的是当前时刻的测量方程；
Qt表示观察量的协方差矩阵；
line 5：这一行可以说是Kalman Filter 的精华了，现在我们有了对状态的预测值和协方差，同时也收集到了对状态的测量值。这时就可以通过kalman增益来计算状态估计值了。
增益越大，表明我们越相信测量值。
line 6： 根据 line3 ，预测当前状态需要用到上一状态的协方差，所以我们还需要计算当前状态的协方差用于下一次迭代。它同样要根据Kalman增益来计算：
相信到这里，大家应该对kalman Filter的原理有了一个大致的了解，算法中，从初始状态开始，不断计算当前状态的均值和方差来迭代，直至系统结束。
上面解释了各个公式以及各个变量的含义。其实扩展卡尔曼的主要作用还是在不断的迭代中求出最接近真实值的那个值。卡尔曼滤波的作用有以下两种。第一，如果卡尔曼用作单种数据滤波（或者多种数据分开），那么将数据作为测量量传入模型中，卡尔曼模型会通过上一次的值估计出下一次的值，然后将此次的估计值和测量值分别取一定的权值（模型自己所计算的权值（卡尔曼增益）），求出这次的最优值。第二，是多数据的融合。可将一种数据作为测量量，另一种数据作为估计值进行融合。
《高等数学》、《线性代数》、《概率论与数理统计》、《离散数学》这些课程，对计算机专业的学习有帮助吗
谢谢邀请！
作为一名IT行业的从业者，同时也是一名计算机专业的教育工作者，我来回答一下这个问题。
首先，高等数学等课程对于计算机专业的学生来说还是非常重要的，实际上软件开发问题说到底就是个数学问题，所以要想在软件开发领域走得更远，一定要有一个扎实的数学基础。
当前大数据和人工智能是科技领域的重点研究方向，而不论是大数据领域的研发还是人工智能领域的研发，都离不开数学知识，数学是大数据和人工智能的重要基础。从这个角度来看，要想成为计算机领域的创新型人才，一定要有一个扎实的数学基础。
大数据的核心是数据价值化，从大数据的技术体系结构来看，承担大数据价值化的核心操作是数据分析，目前数据分析有两种常见方式，分别是统计学方式和机器学习方式，统计学作为数学的一个重要分支自然不必过多解释，而机器学习也同样离不开数学知识。机器学习的步骤涉及到数据收集、算法设计、算法实现、算法训练、算法验证和算法应用，所以算法是机器学习的核心，而要想有较强的算法设计能力，就需要掌握高数、线性代数和概率论等相关数学知识。
从计算机专业的整体知识体系结构来看，本科生阶段的算法设计课程、数据结构课程、数据库原理课程、计算机网络课程和网络安全课程都涉及到数学相关知识，所以一个扎实的数学基础，能够在很大程度上促进计算机相关课程的学习。在计算机专业的研究生学习阶段，涉及到机器学习、高级操作系统等课程，而这些课程同样需要有扎实的数学基础。
最后，从近些年计算机专业研究生的研究成果来看，很多创新都以算法设计为基础，这足以说明数学对于计算机专业学生的重要性。
我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。
如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言，或者私信我！
