稳定性和安全性作为汽车设计和规划的两大要素，与车辆的状态参数估算密切相关，其中最直接的就是关于如何精确估算行驶过程中的路面附着系数。在Kalman滤波算法基础之上，本文针对汽车的强非线性特性运用无迹卡尔曼（UKF）滤波算法在Matlab中搭建状态观测器、三自由度车辆模型、Duglff轮胎归一化模型对路面附着系数进行估计，将整体模型与Carsim进行整体测试和对比。结果证明，通过运用UKF算法建立的状态观测器能满足对附着系数估计值的准确性要求。

基于高阶正交幅度调制(QAM)和大线宽相干光正交频分复用(CO-OFDM)系统, 提出了一种在时域进行无迹卡尔曼滤波(UKF)的相位噪声补偿算法。该算法在接收端基于训练符号频域卡尔曼滤波实现信道均衡, 用较小的频域导频数据开销进行频域扩展卡尔曼滤波, 先补偿公共相位误差(CPE)噪声, 然后将CPE噪声补偿之后的数据在时域进行载波间干扰(ICI)相位噪声粗补偿。对相位噪声粗补偿后的频域数据进行预判决, 结合接收端原始时域数据, 在时域对判决后的数据进行UKF以实现ICI相位噪声的精细补偿。对精细补偿之后的频域数据再进行相位噪声粗补偿并进行迭代运算, 极大地提高了相位噪声的补偿效果。对50 Gbit·s-1的CO-OFDM系统进行了传输距离为100 km的仿真, 与其他算法相比, 所提算法的频谱利用率极高, 且具有较好的补偿效果。对激光器线宽为700 kHz且调制方式为32QAM的传输信号进行二次迭代后, 所提相位噪声补偿算法的误码率性能仍可达到前向纠错上限。所提算法促进了大线宽CO-OFDM系统在长距离接入网和城域网中的应用。

非线性状态估计是一个具有挑战性的问题。 著名的卡尔曼滤波器只适用于线性系统。 扩展卡尔曼滤波器 (EKF) 已成为非线性状态估计的标准公式。 然而，由于不确定性通过非线性系统的传播，它可能会导致高度非线性系统的重大误差。 无迹卡尔曼滤波器 (UKF) 是该领域的一项新进展。 这个想法是基于其协方差在当前状态估计周围产生几个采样点（Sigma 点）。 然后，通过非线性映射传播这些点以获得映射结果的均值和协方差的更准确估计。 通过这种方式，它避免了计算雅可比矩阵的需要，因此只产生与 EKF 相似的计算负载。 出于教程目的，此代码实现了 UKF 公式的简化版本，其中我们假设过程噪声和测量噪声都是可加的，以避免状态增加，并简化对非线性映射的假设。 该代码被大量注释，并附有使用该函数的示例。 因此，初学者学习UKF是合适的。 为了比较，可以从http://www.mathworks.com/

基于无迹卡尔曼滤波（UKF）的锂电池荷电状态（SOC）估计，里面包含自己所做实验得到的锂电池系统参数（二阶RC等效电路模型各参数），并且通过UDDS工况仿真验证UKF算法的精度。需要各种误差图，可自行修改代码。

本代码实现是对UKF（无迹卡尔曼滤波）的MATLAB实现

UWB精确定位自适应无迹卡尔曼滤波算法UWB精确定位自适应无迹卡尔曼滤波算法UWB精确定位自适应无迹卡尔曼滤波算法UWB精确定位自适应无迹卡尔曼滤波算法UWB精确定位自适应无迹卡尔曼滤波算法UWB精确定位自适应无迹卡尔曼滤波算法UWB精确定位自适应无迹卡尔曼滤波算法

运动物体的轨迹预测无迹卡尔曼滤波算法实现

本文档是黄小平的卡尔曼滤波原理及应用_matlab仿真的书籍pdf扫描版，内容完整，书中有相应的各种kalman滤波的matlab代码示例。书中介绍了MATLAB仿真基础、Kalman滤波原理、Kalman滤波在视频图像目标跟踪中的应用、卡尔曼滤波扩展Kalman滤波原理及应用、无迹Kalman滤波原理及应用。

ukf2.vi无迹卡尔曼滤波

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