ekf

这是我在知乎上问题写的答案，修改了一下排版，转到博客里。 原问题： 能否简单并且易懂地介绍一下多个基于滤波方法的SLAM算法原理？ 目前SLAM后端都开始用优化的方法来做，题主想要了解一下之前基于滤波的方法，希望有大神能够总结一下各个原理（EKF，UKF，PF，FastSLAM），感激不尽。 作者：半闲居士 链接：https://www.zhihu.com/question/46916554/answer/103411007 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 　　我怎么会写得那么长……如果您有兴趣可以和我一块把公式过一遍。 　　要讲清这个问题，得从状态估计理论来说。先摆上一句名言： 状态估计乃传感器之本质。（To understand the need for state estimation is to understand the nature of sensors.） 　　任何传感器，激光也好，视觉也好，整个SLAM系统也好，要解决的问题只有一个： 如何通过数据来估计自身状态。 每种传感器的测量模型不一样，它们的精度也不一样。换句话说，状态估计问题，也就是“ 如何最好地使用传感器数据 ”。可以说，SLAM是状态估计的一个特例。 1. 离散时间系统的状态估计 　　记机器人在各时刻的状态为 ，其中 是离散时间下标。在SLAM中

代码框架篇 代码的主要结构由ekf2_main.cpp, estimator_interface.cpp, 和ekf.cpp，ekf_helper.cpp 互相交互，在加上底层的的一系列处理文件。 事实上，之前花费了一周的时间，画的流程图意义和价值很大，这让我在程序代码分析的时候更加直观 流程图的连接见： https://download.csdn.net/download/weixin_39350416/11546415 接下来我该做什么呢，主要分析一下，updated（）函数中的五个步骤 1。 预测状态 2。预测协方差 3。 控制融合模式 4。 运行地形估计 5。计算输出状态（输出状态的论文已经梳理过了，但是程序还需要再仔细琢磨） 然后我们现在从预测状态开始 predictState(); predictCovariance(); 这两个函数的主要任务就是执行主过滤器的状态和协方差预测； controlFusionModes(); 这个函数控制融合观测数据 刚刚把第一个状态预测函数过了下，这个函数在ekf.cpp中 确实是根据δ角度和δ速度，校正当前的角度和速度，然后校正垂直方向的速度，和位置信息。 现在过预测协方差，这个函数在协方差的大文件里，covariance.cpp中 这个预测协方差主要做协方差的计算，但是这个内部协方差是计算还是置位，都是有条件的