利用dsp实现卡尔曼滤波算法实现物体运动轨迹跟踪，其中应用了加速度传感器和陀螺仪。

STM32F103VModel卡尔曼滤波函数

扩展卡尔曼滤波MATLAB代码 % UKF Unscented Kalman Filter for nonlinear dynamic systems % [x, P] = ukf(f,x,P,h,z,Q,R) returns state estimate, x and state covariance, P

包含AR模型的建模以及用Kalman滤波算法和LMS算法求解模型参数的MATLAB仿真代码，里面附有详细的注释，适合初学者参考

卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。 数据滤波是去除噪声还原真实数据的一种数据处理技术，Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。由于它便于计算机编程实现，并能够对现场采集的数据进行实时的更新和处理，Kalman滤波是目前应用最为广泛的滤波方法，在通信，导航，制导与控制等多领域得到了较好的应用。

使用 Singer 模型进行卡尔曼滤波器模拟。 它显示估计和预测的错误和结果。

动态导航定位中观测噪声和系统噪声均假设为高斯白噪声，但实际应用中，观测噪声或系统噪声是不断变化的，很难准确给出，有色噪声存在导致姿态参数异常，影响估计精度。为了减弱有色噪声的影响，提出一种二阶自回归有色噪声抗差自适应算法。通过对有色噪声的特点进行分析，建立二阶自回归有色噪声的模型，然后利用抗差估计和自适应滤波相结合的方法，对经有色噪声修正后的信息进行动态滤波。将提出的算法与基于高斯白噪声卡尔曼滤波，以及考虑有色观测噪声的卡尔曼滤波算法应用到车载GPS/DR组合导航系统中，进行仿真分析和比较，结果表明，该方法能有效的控制有色噪声和异常的影响。

加速度计与陀螺仪互补滤波与卡尔曼滤波的核心程序，对于惯导方面的融合，虽然代码不多但是非常具有参考价值

这是一个在MATLAB上运行的基于卡尔曼滤波的slam的程序，包括2D、3D

stm32f103c8t6 的MPU6050数据读取（经过卡尔曼滤波）使用方法：使用C8T6的串口一，和IIC接口一，直接会打印出数据