基于EKF扩展卡尔曼滤波车身状态估计 汽车稳定性控制系统需要的状态信息一部分可通过车载传感器直接测量，另一部分不能直接测量。为了实现车辆动力学控制系统中的这种闭环状态反馈，受某些测量技术以及成本等因素的制约，依靠传感器直接测量获取某些重要状态量有很大的难度，因此提出状态估计的方法，即通过估计算法实时获取车辆在行驶过程中的某些重要状态量，如车速、横摆角速度、质心侧偏角等。本章利用扩展卡尔曼滤波方法，基于三自由度的车辆估计模型对轮边驱动电动汽车的纵向车速、侧向车速、质心侧偏角进行了估计，通过仿真验证了估计算法的准确性。

需要运行下面的代码，得到矩阵E，然后才能进行仿真，更具体思路的可以参考 https://blog.csdn.net/XSTX1996/article/details/83117733 A = [1 1; 0 0]; C = [1 0]; syms e1 e2 lambda; E = [e1; e2]; T=0.01; eigPloy = det(A-E*C - lambda*eye(2)); lambdaVal = roots([2*T^2, 2*T, 1]); eigPloy = subs(eigPloy, lambda, lambdaVal); [e1, e2] = solve(eigPloy, e1, e2); E = double([e1 e2])';

电力系统状态估计（电力网系统辨识）-最小二乘+不良数据辨识-matlab 最小二乘是对电力系统进行状态估计的最基本方法，而考虑到电力网数据可能存在不良数据，需要使用相关方法进行不良数据辨识；检测到不良数据点位置后，系统还会剔除不良数据再次进行辨识 两份导入数据中，iSE30Bus1为有误差数据，iSE30Bus2为无误差数据 输出结果会导入至oStateEstimation中

基于最小二乘法编写的MATLAB状态估计程序，附有14节点和30节点算例。

我校系统辨识经典教材，内容条理清晰，通俗易懂

机器人状态估计理论经典

State Estimation for Robotics A Matrix Lie Group Approach

State Estimation for Robotics A Matrix Lie Group Approach

状态估计算法 MATLAB 内附readme 详细说明了使用方法和步骤 有专门的txt文件 可以输入自己的bus阵 line阵等 即可进行状态估计

高清，带完整书签。做机器人以及SLAM有两本圣经，一本是大名鼎鼎的《Multiple View Geometry in Computer Vision》，另一本就是至今虽然尚未出版，但是已经在SLAM界广为流传的《State Estimation for Robotics》，这本书深入讲解了李代数的理论，以及从滤波器的角度来深入分析了机器人的状态估计方法。高博鼎力推荐。