EEKF - 嵌入式扩展卡尔曼滤波器 该项目在 C 中实现了一个扩展卡尔曼滤波器，用于嵌入式应用程序。 主要特点是： 小实现 使用回调进行状态转换和测量预测功能的简单 C 接口 可用于非线性（扩展）和线性卡尔曼滤波器情况 没有动态内存分配 专用最小矩阵计算模块 使用 Cholesky 分解的高效滤波器计算 分离的预测和校正步骤 输入和测量维度允许在步骤之间改变 什么是卡尔曼滤波器？ 使用卡尔曼滤波器，可以通过仅测量可见输出来估计过程/系统的内部隐藏状态。 这广泛用于惯性测量单元 (IMU)，以进行传感器融合或航位侦察。 只要没有测量可用，过滤器就会预测系统的当前状态。 一旦测量可用，它将更新估计值。 这称为预测和校正步骤。 有关更多信息，请参阅 。 那么什么是扩展卡尔曼滤波器？ 在线性滤波器的情况下，从一个时间步到下一个时间步的状态是线性相关的。 这意味着它们存在一个表达这一点的常量

该文档详细分析了，动态定位的卡尔曼滤波的应用和研究

卡尔曼滤波在目标跟踪中的应用。看完之后你一定会大彻大悟！文字结合图片，讲解了通俗的讲解了卡尔曼的五大核心公式。

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：基于扩张卡尔曼滤波的磷酸铁锂蓄电池SOC检测，给出了电池模型和算法实现过程 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

用无迹卡尔曼滤波算法对电机转速进行控制，相较传统PI控制超调量小

ekf，即扩展卡尔曼滤波器，对于研究电机滑膜控制有所帮助

7 对于一个运动模型，建立卡尔曼滤波模型，进行仿真，设已知初始时刻运动目标的真实位置和速度，并已知卡尔曼滤波使用的初始状态值，对该问题给出仿真；进一步分析该问题的稳态卡尔曼解，直接使用稳态卡尔曼滤波（滤波器）仿真该问题。 提供了Matlab源代码，代码中有注释和画图，非常详细。

卡尔曼滤波，由笛卡尔坐标到极坐标的转换，并给出测量噪声的相关矩阵R的公式，MATLAB即可实现。（坐标系转化的推导文档）

matlab代码，该代码包括锂离子电池实验数据，对于没有实验数据的用户十分友好，实验数据里有SOC-OCV曲线，以及实验室测量的电流电压。本代码采用了两个卡尔曼滤波器来完成SOC的估计，并与单独的卡尔曼滤波做了对比。代码的中文注释比较详细，帮助读者理解以及进行二次开发。程序可以完美运行，需要注意的点是先将文件里的数据导入matlab的工作空间，如有问题可在该页面下方进行评论或者私信我。

采用二阶RC模型，需要代入自己的数据的地方： R0 = @(x)(-0.07495*(x(4))^4+0.2187*(x(4))^3-0.1729*(x(4))^2+0.01904*(x(4))+0.1973); R1 = @(x)(0.07826*(x(4))^4-0.2208*(x(4))^3+0.217*(x(4))^2-0.08761*(x(4))+0.01664); R2 = @(x)(0.1248*(x(4))^4-0.2545*(x(4))^3+0.1254*(x(4))^2-0.03868*(x(4))+0.05978); C1 = @(x)(2431*(x(4))^4-4606*(x(4))^3+3084*(x(4))^2-589*(x(4))+209.8); C2 = @(x)(681.1*(x(4))^4-3197*(x(4))^3+4595*(x(4))^2-3114*(x(4))+1444);