此 zip 文件包含扩展卡尔曼滤波 (EKF) 和全球定位系统 (GPS) 的原理和算法的简要说明。 它旨在提供一个相对易于实现的 EKF。 它还简要介绍了 GPS 的卡尔曼滤波算法。 在 EKF 的示例中，我们提供了使用 EKF 和最小二乘法进行 GPS 定位的原始数据和解决方案。 有关更多详细信息，请参阅 readme.txt。

为了计算历元的轨道要素，在跟踪站收集了大量的测量数据，包括方位角、仰角和距离。 在这里，我使用了 46 组 GEOS3 卫星测量数据进行初始定轨。 首先，卫星状态向量的初始猜测是应用Double-R-Iteration/Gauss方法从三组方位角和仰角计算得到的。 然后，状态向量从纪元传播到第一次测量的时间并更新。 之后，更新的状态向量被传播到下一次测量的时间并再次更新。 这个过程一直持续到最后一次测量的时间。 最后，将上次测量时更新的状态向量传播到 epoch。

数据融合matlab代码扩展卡尔曼滤波器项目 在这个项目中，我用C ++实现了一种算法来跟踪和预测自行车的位置和速度。 我提供了模拟的激光雷达和雷达测量数据，可检测到一辆在我的车辆周围行驶的自行车。 这种扩展的卡尔曼滤波器（EKF）算法提供了融合来自激光雷达和雷达传感器的测量结果以预测自行车的位置和速度的能力。 模拟器（）和EKF之间的通信是通过EKF端的实现来完成的。 激光雷达测量是红色圆圈，雷达测量是蓝色圆圈，箭头指向观察角度的方向，估计标记是绿色三角形。 为了评估我的EKF模型的性能，我使用了均方根误差（RMSE）来累加我的估计和实地真理之间的残差。 我在数据集1上的最终RMSE为[0.0973，0.0855，0.4513，0.4399]，在数据集2上的最终RMSE为[0.0726，0.0965，0.4216，0.4932]。 扩展卡尔曼滤波器概述：初始化，预测，更新 该项目涉及对扩展卡尔曼滤波器（EKF）算法进行编程的三个主要步骤： 初始化扩展卡尔曼滤波器变量 在距前一个时间戳的时间步长Δt之后预测自行车的位置 根据传入的新传感器测量值更新自行车现在所在的位置 然后，预测和更新

扩展卡尔曼滤波器不仅可以从噪声测量中估计非线性动态系统的状态，还可以用于估计非线性系统的参数。 参数估计的一个直接应用是训练人工神经网络。 这个函数和一个嵌入的例子展示了如何做到这一点。

这个包实现了以下卡尔曼滤波器： 1) 标准卡尔曼滤波器2) 扩展卡尔曼滤波器3) 双卡尔曼滤波器4) 平方根卡尔曼滤波器 该软件包还包含每种过滤器类型的说明性示例，演示它们的实际应用。 在所有 4 种情况下，KF 函数都接受多维系统的输入噪声样本，并根据噪声样本中固有的时变过程/噪声协方差产生真实系统状态的 KF 估计。 指数加权（或未加权）移动平均值用于从噪声测量中估计时变系统协方差。 标准卡尔曼滤波器是最基本的 KF 实现。 它假设一个模型，即噪声测量包含真实系统状态和白噪声。 扩展卡尔曼滤波器是标准卡尔曼滤波器的推广，允许用户指定非线性系统模型，然后在 EKF 执行期间迭代线性化。 双卡尔曼滤波器同时解决两个标准卡尔曼滤波器问题： 1) 将自回归模型拟合到数据并应用卡尔曼滤波器来更新 AR 模型 2）在执行标准KF更新之前，在每次迭代中应用AR模型 平方根卡尔曼滤波器

以匀速直线运动为例，设计了基于距离的目标跟踪算法，即状态量为X、Y轴的位置和速度，观测值为物体到观测站的距离，具体实现过程见代码

数据融合matlab代码advanced_kalman_filter 使用扩展卡尔曼滤波器的传感器融合（LIDAR / RADAR） 这是Udacity的自动驾驶汽车纳米学位的第2项/第1项。 目录和文件 src包含代码（在C ++中）。 main.cpp ：连接到模拟器的主要代码，从../data/obj_pose-laser-radar-synthetic-input.txt读取输入，执行ProcessMeasurement() （请参见下文），并计算和输出均方根误差（估计值（由卡尔曼滤波器计算得出）与地面真实性（数据文件中提供）的RMSE）。 该代码完全由Udacity提供。 FusionEKF.cpp / FusionEKF.h ：使用ProcessMeasurement()方法定义Fusion Extended Kalman Filter类，该类将kalman_filter类的实例，并调用Predict()和Update() / UpdateEKF()方法。 kalman_filter.cpp / kalman_filter.h ：定义FusionEKF::ProcessMe

基于MATLAB/Simulink的扩展卡尔曼滤波器EKF的锂电池SoC计算。

该包实现了双扩展卡尔曼滤波器功能，用于时变 MVAR 参数估计的应用。 它还包括一个示例脚本，该脚本显示了该函数在具有时变参数的模拟 MVAR 模型上的使用。 要查看 DEKF 在 EEG 信号处理中的应用，请参阅我们的研究： A. Omidvarnia、M. Mesbah、MS Khlif 等人，“新生儿脑电图的基于卡尔曼滤波器的时变皮质连通性分析”，Int。 会议。 IEEE 医学和生物学工程学会 (EMBC2011)，美国波士顿，2011 年，第 1423-1426 页

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。