Dan Simon的经典大作《Optimal State Estimation》对应的Matlab源程序。包含了基本的线性Kalman滤波、EKF、UKF、粒子滤波等基本算法。适合学习滤波理论的人员。

北航三系研究生课程，含往年考试题和往届学生总结答案（仅供参考），大作业程序和报告等

R2LIVE 鲁棒，实时，LiDAR-Inertial-Visual紧密耦合状态估计器和映射 R2LIVE是一个健壮的实时紧密耦合的多传感器融合框架，该框架融合了来自LiDAR，惯性传感器，视觉摄像机的测量结果，以实现健壮，准确的状态估计。 利用所有传感器的测量优势，我们的算法对于各种视觉故障，LiDAR退化场景具有足够的鲁棒性，并且能够在机载计算平台上实时运行，如室内，室外进行的大量实验所示，以及不同规模的混合环境。 在（d）中显示了香港大学主楼的重建3D地图，在（a）和（b）中显示了带有对应全景图像的细节点云。 （c）表明我们的算法可以自行关闭循环（返回起点），而无需任何其他处理（例如循环闭合）。 在（e）中，我们将地图与卫星图像合并，以进一步检查系统的准确性。 我们在一个由拥挤的大厅和很长的狭窄隧道组成的香港地铁站中评估了算法，如（a）所示。 该隧道长达190美元，长满了移动的行

最优状态估计英文电子版以及英文课后答案和中文翻译版，需要的可以下载。

PMSM 扩展卡尔曼滤波状态估计

采用低成本传感器并借助卡尔曼滤波方法实现车辆运动状态的高精度估计。首先考虑车辆侧向运动、横摆运动以及侧倾运动，建立非线性三自由度的动力学车辆模型，通过对其线性化，实现扩展卡尔曼滤波设计，进一步针对线性化带来的截断误差问题，利用贝叶斯估计建立极大后验状态估计最小二乘表达式，通过进一步求解最终设计完成了迭代扩展卡尔曼滤波算法。 通过不同行驶条件下仿真，验证迭代扩展卡尔曼滤波过滤噪声和追踪实际值的能力。仿真结果表明: 在复杂的行驶条件下，迭代扩展卡尔曼滤波能大幅过滤噪声，并有效追踪车辆质心侧偏角和横摆角速度的实际状态。

介绍常用的传感器模型，以及如何在现实世界中利用传感器数据对旋转或其他状态变量进行估计，涵盖了经典的状态估计方法（如卡尔曼滤波）以及更为现代的方法（如批量估计、贝叶斯滤波、sigmapoint 滤波和粒子滤波、剔除外点的鲁棒估计、连续时间的轨迹估计和高斯过程回归）。

基于最优权重的加权最小二乘状态估计

路面摩擦系数的识别

基于Kinect设计的机器人头部姿态状态估计，C++编写，另外附带两篇相关论文，帮助理解