本资源是基于Java的Kalman滤波算法，可以作为一种性能较为优良的滤波器，滤去极端值。本资源可以直接将SRC文件夹中的两个子文件夹复制并使用。

通过卡尔曼滤波进行有效GP回归 基于两篇论文的存储库，其中包含相对于同类项目的简单实现代码： [1] A.Carron，M.Todescato，R.Carli，L.Schenato，G.Pillonetto，机器学习遇到了Kalman Filtering ，《 2016年第55届决策与控制会议论文集》，第4594-4599页。 [2] M.Todescato，A.Carron，R.Carli，G.Pillonetto，L.Schenato，通过卡尔曼滤波的有效时空高斯回归，ArXiv：1705.01485，已提交JMLR。 PS。 该代码尽管基于上述论文中使用的代码，但与之稍有不同。 它是它的后来的改进和简化版本。 而且，此处仍未提供[2]中介绍的用于实现自适应方法的代码。 文件内容是很容易解释的（有关每个文件的简要介绍，请参考相应的帮助）： main.m：包含主程序 plotResul

用卡尔曼滤波方法对单个目标航迹进行预测，并借助于Matlab仿真工具，对实验的效果进行评估。

由 Ian T. Nabney 编写的流行机器学习库“NetLab”的附加组件。 库为 NetLab 实现卡尔曼滤波器训练算法。

KalmanFilter,KalmanFilter3,KalmanFilter5 一共7种,以上三种实现保证可用,其余待调试,调试函数写好,直接运行即可 KalmanFilter KalmanFilter2 KalmanFilter3 KalmanFilter4 KalmanFilter5 KalmanFilter6 KalmanFilter7

对于标准Kalman滤波，其中增益计算式（5.3-29c）涉及矩阵的求逆运算，当量测维数较高时，计算量很大。序贯滤波（sequential Kalman filter）是一种将高维数量测更新降低为多个低维数量测更新的方法，能有效地降低矩阵的求逆计算量。 利用序贯滤波，在滤波增益计算中的矩阵求逆问题将转化为标量的倒数运算，有利于减少滤波计算量和增强数值计算的稳定性。 如果量测方差阵Rk不是对角矩阵，通过三角变换的变换方法，可实现对角化处理，再利用序贯滤波。特别地，如果量测噪声方差阵Rk是常值阵，则只需在滤波初始化时作一次三角分解即可。

线性跟驰模型的matlab代码扩展卡尔曼滤波器项目入门代码 无人驾驶汽车工程师纳米学位课程 背景 卡尔曼滤波器可用于估计系统状态。 在无人驾驶汽车的情况下，用例例如是无人驾驶汽车跟踪另一辆行驶中的汽车的状态。 该移动车辆的“状态”可以用px，py，vx，vy（X和Y方向上的位置和速度）表示。 这些状态变量可能无法直接观察到，因此需要通过从自动驾驶汽车上的传感器获取的LIDAR和RADAR测量值进行估算。 卡尔曼滤波器的直觉（来自Udacity的演讲） 卡尔曼方程式包含许多变量，因此这里是一个高级概述，以使您对卡尔曼滤波器的工作有一些直观认识。 预测假设我们知道对象的当前位置和速度，并将其保存在x变量中。 现在一秒钟过去了。 我们可以预测一秒钟后物体的位置，因为我们在一秒钟之前就知道了物体的位置和速度。 我们只是假设物体保持相同的速度运动。 x'= Fx +ν方程为我们进行了这些预测计算。 但是也许物体没有保持完全相同的速度。 也许物体改变了方向，加速或减速。 因此，当我们在一秒钟后预测位置时，不确定性就会增加。 P'= FPFT + Q表示不确定性的增加。 过程噪声是指预测步骤中的不确

美国MIT介绍卡尔曼滤波理论的文档，理论推导详细，适合深入学习卡尔曼滤波理论之用

Matlab实现基于EKF(Extended Kalman Filter, 扩展卡尔曼滤波)的无人机姿态估计 使用EKF(Extended Kalman Filter, 扩展卡尔曼滤波)算法来对四旋翼无人机的姿态进行滤波和估计，姿态包括：俯仰角、滚转角、偏航角的角度值和角速度值。前提：角度值无法直接通过传感器直接测得，角速度值可以测得。 代码说明 test1.m：一维线性卡尔曼滤波的例子 jaccsd.m：用于求解EKF算法中的雅克比矩阵 EKF.m：EKF算法仿真程序 仿真结果 说明： 1.仿真软件采用MATLAB2010b 2.控制量和姿态角速度值采用随机生成的数据(使用实际数据更好) 3.仿真过程偶尔会出现错误结果，原因是EKF计算过程中有几率出现奇异矩阵，导致算法无法进行下去

用于ROS的通用传感器融合程序包 使用此框架，可以在具有通用ROS节点的C ++库中实现低级传感器融合的估计方法。 实现的方法/算法是： 加权移动平均 移动中位数 卡尔曼滤波 扩展卡尔曼滤波器 无味卡尔曼滤波器 采样重要性重采样（粒子滤波） 安装 这些软件包取决于Eigen3，因此，如果未安装（如果运行catkin_make，则会出现错误），请从。 将目录“ Eigen /”从此归档文件复制到/ usr / include / eigen3就足够了，即无需安装。 目录结构 sf_estimation：分别实现状态估计算法或过滤器的通用低层传感器融合框架。 sf_msgs：包含sf_filter节点可以发布的消息的软件包。 sf_filter：具有配置的ROS节点的源。 复制该文件夹以创建另一个具体的过滤器。 doc：代码文档，示例，教程，故障排除 示例：过滤ROS节点的一些示例配