python实现的无迹卡尔曼滤波算法，ukf 1 ~3 的观测方程不一样，感觉观测方程是平方时 有点莫名其妙。有兴趣的朋友下载自行研究。

对加速度传感器和陀螺仪的数据处理，然后卡尔曼滤波得出角度与角速度；.

采用容积卡尔曼滤波进行多维状态滤波的例子，经过测试可用

搞导航的应该都知道秦永元吧， ，学习组合导航的好资源！

系统地介绍由作者提出的带不确定噪声方差和不确定模型参数的多传感器系统鲁棒信息融合Kalman滤波理论，并给出了在目标跟踪系统中的仿真应用.

建立一套精确可靠的井下人员跟踪定位系统对保障人员安全具有十分重要的意义。井下由于环境复杂、人员分散而导致的电磁波衰落和干扰严重影响了人员定位跟踪的精确性,同时,井下人员等定位目标的运动状态常常为非线性也增加了井下人员跟踪定位的难度。提出了结合集合卡尔曼滤波(EnKF)与无线信号接收强度(RSSI)定位算法的井下人员跟踪定位的方法,将RSSI定位结果作为观测值,通过集合卡尔曼滤波算法结合运动模型可减小定位的随机误差,达到提高定位精确性的目的。模拟实验结果表明:该方法在线性与非线性运动目标的定位中均可取得良好效果,具有较强的实用性。

在本文中，我们首先提出一种分布式无味卡尔曼滤波器（DUKF），以克服测量的非线性说话者追踪中的模型。 接下来，针对室内环境中说话人的不同运动动力学，我们介绍了交互多模型（IMM）算法，并提出了分布式交互多模型无味卡尔曼滤波器（IMM-UKF）来估计随时间变化的讲话者的位置在麦克风阵列网络中。 在基于分布式IMM-UKF的扬声器跟踪方法中，一对麦克风在每个节点处接收到的语音信号的到达时间差（TDOA）通过广义互相关（GCC）方法进行估算，然后采用分布式IMM- UKF用于跟踪扬声器中麦克风的位置和速度随时间变化很大的扬声器阵列网络。 所提出的方法可以在网络中全局估计说话人的位置，并在嘈杂和混响的环境中稳健地获得说话人运动的平滑轨迹，并且可扩展用于说话人跟踪。 仿真和实际实验结果表明了所提出的说话人跟踪方法的有效性。

基于STM32F105VC芯片，设计了一款锂电池电池管理系统。该设计包括电池管理系统的硬件电路、软件程序以及SOC算法。硬件内容包括电源转换电路、拓展CAN模块、RS232模块。使用KEIL MDK软件开发电池管理系统的主控程序。SOC算法采用拓展卡尔曼滤波方法。最终的样品验证测试表明，文中设计的电池管理系统主控单元能够准确计算SOC，及时准确与整车控制器（VCU）通信。文中设计的输入电压为19~32 V，电源抗干扰能力强，可直接连接电动车电源进行供电，作为电动汽车的电池管理系统。

科尔曼滤波的资料，全部资料，含有代码，矩阵式的代码

基于逆透视变换和卡尔曼滤波的车道线识别算法，李扬威，黄影平，提出了一种基于逆透视变换和卡尔曼滤波的车道线识别跟踪算法。给出一种简单的逆透视变换方法，该方法不需要获取摄像机的内外参数