一、假如
- 状态向量服从高斯分布：
- 而且状态转移是线性的：
- 测量是状态的线性关系（带噪声）
- 初始状态的置信度也是正态分布
二、卡尔曼滤波的算法流程为
疑问：多测量融合，是不是用不同的传感器测量值去重复5-6行？？？ 待后续学习理解
卡尔曼增益 K t K_{t} Kt的作用：
- 1 根据方差判断推测靠谱还是测量靠谱，然后决定大小（即用测量误差来做调整的量多少）
- 2 将测量的维度转换成状态维度，才能修正状态。
回过头来再说这为啥叫滤波：
关于滤波 援引来自知乎大神的解释。
“一位专业课的教授给我们上课的时候，曾谈到：filtering is weighting（滤波即加权）。滤波的作用就是给不同的信号分量不同的权重。最简单的loss pass filter， 就是直接把低频的信号给1权重，而给高频部分0权重。对于更复杂的滤波，比如维纳滤波, 则要根据信号的统计知识来设计权重。
从统计信号处理的角度，降噪可以看成滤波的一种。降噪的目的在于突出信号本身而抑制噪声影响。从这个角度，降噪就是给信号一个高的权重而给噪声一个低的权重。维纳滤波就是一个典型的降噪滤波器。”
关于卡尔曼滤波 Kalman Filter 算法，是一种递推预测滤波算法，算法中涉及到滤波，也涉及到对下一时刻数据的预测。Kalman Filter 由一系列递归数学公式描述。它提供了一种高效可计算的方法来估计过程的状态，并使估计均方误差最小。卡尔曼滤波器应用广泛且功能强大：它可以估计信号的过去和当前状态，甚至能估计将来的状态，即使并不知道模型的确切性质。
Kalman Filter 也可以被认为是一种数据融合算法（Data fusion algorithm），已有50多年的历史，是当今使用最重要和最常见的数据融合算法之一。Kalman Filter 的巨大成功归功于其小的计算需求，优雅的递归属性以及作为具有高斯误差统计的一维线性系统的最优估计器的状态。
Kalman Filter 只能减小均值为0的测量噪声带来的影响。只要噪声期望为0，那么不管方差多大，只要迭代次数足够多，那效果都很好。反之，噪声期望不为0，那么估计值就还是与实际值有偏差
