Kalman Filter
本质：线性滤波算法（只适用于线性且满足高斯分布的系统！！！）
核心思想：根据上一时刻（状态）的“预测量”和“预测误差”，以及当前时刻（状态）的“观测量（测量量）”和“测量误差”，来对当前的“真实值”进行最优估计，计算得到当前的“最优量”。
突出观点：计算考虑“误差”，且分为“预测误差”和“测量误差”，同时误差独立存在，始终不受测量数据的影响。
举个例子：
在航海中，船长通常以前一时刻的船位为基准，根据航向、船速、和海流等多种因素推算下一个船位（预测量），但是并不能轻易认为当前船位就一定在推算的船位上，还要选择适当的方法，通过仪器的到另一个推算的船位（测量量）。观测和推算的这两个船位一般不重合，需要通过分析和判断选择一个可靠的船位，作为当前的“真实”船位。
描述数学化：
公式化：
简单场景实践：
实践：
https://github.com/GengMingjin2/Learning_Algorithm/tree/master/EKF/KF
Extend Kalman Filter:
本质：KF的非线性扩展，线性滤波算法（非线性的高斯分布系统！！！）
（一个很优秀的course：https://simondlevy.academic.wlu.edu/kalman-tutorial/）
图片中的公式在表达上全部都是按照常规偏导的方式表达，而在真实的应用场景中，更加一般的表达是使用Joccobi矩阵来表达，而其中的每一项都是提前推导完毕后才应用到代码中的，这一点非常重要。
同时在进行泰勒展开时，上述表达的EKF算法中仅仅在起始点进行了一次线性近似，后续的迭代过程中不再进行线性近似了（这也是为什么最基础的EKF算法的误差比其他几种KF改进算法的误差大的原因，毕竟这仅有的一次线性引入的误差会一直累计下去不断扩大~）