卡尔曼滤波——17.高斯移动

Posted 2020-11-02 一起来看流星雨

回顾一下之前的内容，我们知道有一个测量更新和一个运动更新（预测）。

运动更新通过全概率或者一个加法来完成，我们已经解决了比较复杂的情况。

我把它解决了 ，并得出了公式。

并且也用代码实现了这一步。

运动部分不想深入，这是非常简单的一步，让我们写下来。假设你活在这样一个世界里，中心点，这是你对自己所在位置的最佳估计，高斯函数是你的误差。

假设你往右移动了一定距离，并且运动本身也包含自己的误差，那么你就到达一个将运动量加到均值上的预测位置，并且这还会在初始误差上增加一个误差。

 

 

如果你往右移动了这段距离（绿色线），在期望上你是到达了你想到的地方，但你会丢失信息，因为你的移动本来就会丢失信息，表现在这里的误差上。

 

这个在数学上很容易实现，新的平均值等于旧的平均值加上动作，常称为U.

假设你运动了10米 这里将是绿色线将是10米，新的sigma平方等于旧的sigma的平方加上运动的高斯分布方差。

这就是你所需知道的，这不过是一个相加。

测试：