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。

很有用的卡尔曼滤波算法实例和 扩展卡尔曼滤波算法实例

基于扩展卡尔曼滤波的电池soc估计simulink模型，将模型计算得到的电池soc与扩展卡尔曼滤波得到的电池soc进行比较。

基于扩展卡尔曼滤波器的永磁同步电机转速和磁链观测器.do.pdf

利用扩展卡尔曼滤波器对动力电池SOC参数进行辨识，对极化电容，放电电阻等参数进行识别，实现高精度的SOC辨识，准确度高！

基于扩展卡尔曼滤波的电池soc估计simulink模型，将模型计算得到的电池soc与扩展卡尔曼滤波得到的电池soc进行比较。

TDOA/AOA定位的扩展卡尔曼滤波定位算法,新手上手看看，注释全面，简单易懂

卡尔曼滤波算法和扩展卡尔曼滤波算法，完整的matlab程序和仿真结果，程序简单，易懂。

扩展卡尔曼滤波(EKF)仿真演示，通过本文档的阅读可以更好的理解扩展卡尔曼滤波

1某系统的非线性状态方程和观测方程分别如式（1-1）和（1-2）所示。系统的一维状态变量为，观测变量为，是方差为10.0的零均值高斯白噪声，是方差为1.0的零均值高斯白噪声。试利用扩展卡尔曼滤波理论求出的最优估计。 要求： （1）利用Matlab或Python 编写仿真程序。 （2）在同一张图中，给出的真值和估计值曲线。 （3）给出的真值与估计值之间的误差曲线变化图，并求出误差的均值和方差。 （4）对滤波效果进行分析。