卡尔曼 适用于Java的Kalman过滤器。 依存关系 该模块需要一个sylvester.js（ ）兼容的矩阵和矢量处理模块。 用法 使用卡尔曼滤波器模块非常简单： < script type =" text/javascript " src =" sylvester.src.js " > </ script > < script type =" text/javascript " src =" ../kalman.js " > </ script > < script type =" text/javascript " > var x_0 = $V ( [ - 10 ] ) ; var P_0 = $M ( [ [ 1 ] ] ) ; var F_k = $M ( [ [ 1 ] ] ) ; var Q_k = $M ( [ [ 0 ] ] ) ; var KM = new Kalma

IMM 算法即交互多模型算法，其基本原理也是基于卡尔曼滤波算法的， IMM 算法的基本思想是：目标在空间中运动时，一般都具有不止一种运动状态，为了更加贴切地描述运动过程，将其中的每一种运动状态用不同的模型来描述， 其中每个运动模型对应一个单一的卡尔曼滤波过程，且这些单一的卡尔曼滤波在 整个系统中是独立存在互不影响的，在状态输出过程中，只需将不同的模型过程 加权，得到最后的输出滤波结果。

付梦印主编。本书紧密结合卡尔曼滤波理论在导航知道与控制领域的应用展开，分八章。分别介绍卡尔曼滤波理论，非线性系统扩展卡尔曼滤波及自适应滤波，鲁棒滤波以及滤波技术的新应用，信息融合，神经网络等内容。

很经典的，用c语言来实现kalman滤波器的设计！

卡尔曼滤波程序代码，里面有黄小平书里面的全部matlab代码，很好的入门卡尔曼滤波的资料

数据融合matlab代码扩展卡尔曼滤波器项目 无人驾驶汽车工程师纳米学位课程 概述 该项目利用卡尔曼滤波器通过激光雷达和雷达测量来估计感兴趣的运动物体的状态。 为此，我使用了卡尔曼滤波器，激光雷达测量和雷达测量来跟踪自行车在车辆周围的位置和速度。 该项目的目标是获得低于所需公差的RMSE值。 项目目标 该项目的目标/步骤如下： 建立一个卡尔曼滤波器（KF）以使用激光雷达测量进行跟踪 建立扩展的卡尔曼滤波器（EKF）以使用雷达测量进行跟踪 针对模拟器中的Dataset-1的测试算法 输出坐标px，py，vx和vy RMSE应小于或等于值[.11，.11、0.52、0.52] 项目文件 该存储库包含以下文件： ./Docs/-支持文档 ./data/obj_pose-laser-radar-synthetic-input.txt-包含来自两个传感器的测量值的文本文件 ./ide_profiles-编辑器配置文件 ./src/Eigen-特征库 ./src/CMakeLists.txt-代码编译 ./src/main.cpp-与Term 2 Simulator通信，接收数据测量结果，调用一个

卡尔曼滤波器matlab实现，以及kalman卡尔曼滤波器预测matlab实现，以及一周卡尔曼滤波器预测——Kalman filter forecast

卡尔曼滤波CA模型，在一定的机动条件下能实现跟踪效果。

基于FPGA的卡尔曼滤波器的设计与实现，实现实时系统的极好选择，提高计算速度

线性跟驰模型的matlab代码无味卡尔曼过滤器项目 无人驾驶汽车工程师纳米学位课程 介绍 无味卡尔曼滤波器是对扩展卡尔曼滤波器进行改进的一种方法。 与EKF不同，UKF不会线性化状态方程。 它依赖于构建通过状态向量模型传播的sigma点。 下面显示的是该项目的两个数据集的结果。 以使标准化归一化平方接近其统计期望值的方式选择噪声参数。 雷达测量空间为三维（rho，phi，rho_dot），并且95％置信区间的卡方值为7.8。 激光雷达的测量空间为二维（x，y），95％置信区间为1的卡方值为6。对这两个值进行平均可以预期所有预测状态中约5％的卡方值为7或7。更高。 对于所选的噪声参数，这大约是正确的。 依存关系 cmake> = v3.5 使> = v4.1 gcc / g ++> = v5.4 基本制作说明 克隆此仓库。 创建一个构建目录： mkdir build && cd build 编译： cmake .. && make 运行它： ./UnscentedKF path/to/input.txt path/to/output.txt 。 您可以在“数据/”中找到一些示例输入。 例