有些部分是用波兰语注释的。 抱歉 :) 有关更多详细信息，请参阅http://ufnalski.edu.pl/dissertation/ - 也是波兰语 :) 此提交包含两个 EKF：一个假设不知道转动惯量，另一个可以如果转动惯量已知，则应用。

matlab建立汽车模型代码扩展卡尔曼滤波器 自动驾驶汽车工程师纳米学位课程 该项目融合了激光雷达（激光）和雷达测量来定位和跟踪物体。 激光雷达测量提供了位置的高分辨率估计，但没有提及速度。 另一方面，雷达提供了噪声更大的位置估计，并且通过多普勒效应还提供了速度的估计。 卡尔曼滤波器遵循一个简单的循环： 观察世界 根据最后的值和状态转换函数 F 预测对象的新状态。 使用测量值更新预测。 我们在这里假设测量噪声可以用高斯建模。 雷达的测量以极坐标给出，映射到矩形后，噪声项将不再正常。 为了解决这个问题，我们通过一阶泰勒展开将变换线性化为矩形。 图8跟踪测试： 依赖关系 cmake >= 3.5 所有操作系统： 使 >= 4.1 Linux：大多数 Linux 发行版默认安装 make 苹果电脑： 视窗： gcc/g++ >= 5.4 Linux：大多数 Linux 发行版默认安装 gcc / g++ Mac：与 make 相同 - [安装 Xcode 命令行工具](() Windows：推荐使用 基本构建说明 克隆这个 repo。 创建一个构建目录： mkdir build && cd

matlab建立汽车模型代码扩展卡尔曼滤波器项目 为激光雷达/雷达数据实现基于 C++ 的扩展卡尔曼滤波器。 扩展卡尔曼滤波器用于使用激光雷达和雷达数据预测行人的位置。 项目代码 项目可以被克隆或下载 依赖关系 cmake >= 3.5 所有操作系统： 使>= 4.1 Linux：大多数 Linux 发行版默认安装 make 苹果电脑： 视窗： gcc/g++ >= 5.4 Linux：大多数 Linux 发行版默认安装 gcc / g++ Mac：与 make 相同 - [安装 Xcode 命令行工具](() Windows：推荐使用 基本构建说明 克隆这个 repo。 创建一个构建目录（删除任何现有目录）： mkdir build && cd build 编译： cmake .. && make 在 Windows 上，您可能需要运行： cmake .. -G "MinGW Makefiles" && mingw32-make 运行它： ./ExtendedKF path/to/input.txt path/to/output.txt 。 您可以在“data/”中找到一些示例输入。

介绍两种目标跟踪算法—扩展卡尔曼滤波器（Extended Kalman Filter， EKF）、粒子滤波器（Particle filter， PF）。EKF利用泰勒级数方法，将非线性问题转化到线性空间，再利用卡尔曼滤波器进行滤波，并达到一阶估计精度。PF是一种采用蒙特卡罗采样的贝叶斯滤波方法，它将复杂的目标状态分布表示为一组加权值，通过寻找在粒子滤波分布中最大权值的粒子来确定目标最可能所处的状态分布，已成为复杂环境下进行目标跟踪的最好的方法。文中通过仿真实验，对二者的性能进行了仿真比较，结果证明在复杂的非高斯非线性环境中，PF的性能明显优于EKF，但计算复杂，耗时长。

应用扩展卡尔曼滤波平滑算法提高GPS/INS组合定位定姿精度，石波，卢秀山，为了提高城市遮挡环境下GPS较长时间无法单独定位情况下的GPS/INS组合定位定姿精度，研究了扩展卡尔曼滤波及其R-T-S平滑算法，同时给出

扩展卡尔曼滤波器（EKF） 3 非线性系统的卡尔曼滤波方程 3.1 扩展卡尔曼滤波器 非线性系统模型： 其中： 假设在 时刻已获得系统状态 的滤波估计 ，将 和 在 附近线性化，即非线性系统将随时在新估计的结果附近进行线性化。

扩展卡尔曼滤波（EKF）仿真演示 （西工大 严恭敏，2012-2-4）

基于C语言实现扩展卡尔曼滤波，文件包含具体实现代码

PMSM 扩展卡尔曼滤波状态估计

扩展卡尔曼滤波的C程序代码，大家可以试下，用于非线性滤波和跟踪