通过卡尔曼滤波器对自由落体运动目标进行跟踪的问题。

概述 这是一种推导并实现用于卡尔AHRS系统的扩展卡尔曼滤波器的工作。 在Jupyter笔记本中介绍了卡尔曼滤波器方程的推导。 卡尔曼过滤器在python / numpy和c ++中均已实现。 一种。 可以使用flightgear.py使用flightgear.py输出测试KF。 该脚本可以使用numpy或c ++实现来运行KF。 参考 要求 pyEfis _ FIX-Gateway _ 测试数据集 从手机收集的数据集用于开发/测试。 该数据包括加速度，陀螺仪，磁力计和GPS数据。 速度和海拔高度是根据GPS数据得出的。 知道问题/待办事项 防滑 转数 空速（从GPS导出）在测试数据集中非常跳跃。 用baro和pito

金枪鱼 使用Kalman滤波器计算姿态..即YPR，使用基于ARM cortex m3的STM32F103x和MPU6050计算姿态滤波器。 给出真实世界的加速度，该加速度是通过使用四元数通过3维矢量旋转获得的。 目前正在致力于使用测力计以及位置和速度估算来消除偏航角漂移。 有关更多信息： :

使用自相关最小二乘法ALS进行卡尔曼滤波器噪声方差矩阵估计。

初始状态向量是使用高斯和双 R 迭代方法从三个光学瞄准计算的，然后应用最小二乘法和扩展卡尔曼滤波器对其进行优化。

强跟踪容积卡尔曼滤波器在对含有模型误差和时变噪声的非线性系统进行滤波时, 容易出现性能降低甚至发散. 鉴于此, 提出一种基于变分贝叶斯的强跟踪容积卡尔曼滤波算法. 该算法运用虚拟噪声法补偿模型误差, 假设虚拟噪声均值非零, 且满足高斯分布, 虚拟噪声方差服从逆gamma分布, 在强跟踪容积卡尔曼滤波器估计状态的同时, 采用变分贝叶斯推理估计虚拟噪声参数. 仿真结果表明, 所提出算法对含模型误差与时变噪声的非线性系统具有较好的估计精度, 相比于自适应算法具有更强的鲁棒性.

使用卡尔曼滤波执行视频跟踪。

使用C++语言，实现 kalman 滤波，运行速度快。

基于卡尔曼滤波器的神经网络优化，有蛮好的效果,卡尔曼滤波和神经网络,matlab源码

2.卡尔曼状态方程和量测方程的建立。 其中X表示状态变量，包括诱发信号、单位脉 冲信号、自发信号，长m＋p＋q＋1 A＝ 是系统矩阵， 为输入矩阵 是噪声矩阵 是测量噪声 是输出矩阵