采用自适应卡尔曼滤波方法，基于锂离子动力电池的等效电路模型，在未知干扰噪声环境下，在线估计电动汽车锂离子动力电池荷电状态(SOC)。

本文提出了一种基于改进卡尔曼滤波的量子态最优估计器。 这种估计器在状态测量之后起作用，从而使我们能够获得对量子状态的最佳估计，从而可以输出任何量子算法。 这种方法比其他类型的量子测量（例如，弱测量，强测量和量子状态层析成像等）要精确得多。

扩展卡尔曼滤波SOC算法Simulink模型

这是韩国学生的一篇硕士论文 业内评价很高。论文研究了低成本IMU的检校、INS的初始对准方法、GPS/INS组合解算模型的公式推导等。对做惯导和组合导航的算法设计很有帮助

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。

分布式卡尔曼滤波仿真MATLAB

卡尔曼滤波器的FPGA的实现.zip

IMU_Kalman-filter_MATLAB 使用MATLAB进行卡尔曼滤波（9轴）IMU数据 这是用于9轴IMU传感器的卡尔曼滤波算法。 （加速度计，陀螺仪，磁力计） 您可以看到带有数据的图形化IMU传感器。 测验 示范 -将很快添加。 特征 动画情节 时间线 硬铁偏置补偿 角速度偏差补偿 描述 主要：主要代码 EKF：主要EKF功能 sampledata：我使用的sampledata 如何使用 1.从IMU传感器获取数据。 您应该在开始的5秒钟内保持IMU传感器处于静止状态（用于陀螺仪补偿），然后旋转它。 我建议您将其旋转几次。 （这对磁力计补偿很有用。） ** 2。 数据必须看起来像这样↓** k的'AccX AccY AccZ GyroX GyroY GyroZ MagX MagY MagZ时间' k = 2的'AccX AccY AccZ GyroX GyroY

该资源是卡尔曼滤波（Kalman Filter）原理，内含实例代码，看了众多文章后，自己的理解。实例一个鼠标跟踪程序。

本文设计了一种基于视觉导航的两轮自平衡小车系统，并实现了小车的直立行走，自主寻迹和定位三大功能。包括原理，硬件设计，软件设计，系统的调试及部分C语言源代码。系统采用飞思卡尔十六位微处理器MC9S12XS128作为核心控制单元，通过增加各种传感器，设计稳压模块、最小系统模块、双轮测速模块、倾角测量模块、电机驱动模块和人机交互模块并编写相应程序以完成平衡控制，速度控制，转向控制和实时定位四大任务。