基于容积卡尔曼滤波(CubatureKalmam Filter, CKF)的车辆状态观测器 Carsim与Simulink联合 可生成C代码 ?CKF算法使用子函数形式编程，在定义好状态方程和观测方程的前提下，可以方便的进行二次开发 可估计车辆纵向车速，质心侧偏角（或侧向车速，默认发质心侧偏角），横摆角速度和四个车轮侧向力(效果见图) Carsim2018 兼容Carsim2019 带有详细注释和说明文档 Carsim与Simulink联合估计难度与单纯的Simulink模型估计难度不同 用Carsim做状态估计的难度在于carsim的车辆模型完全是黑箱状态，为了获得较好的估计结果需要不断的调整车辆模型参数 估计的参数较多也增加了估计难度，比如估计侧向车速需要用到轮胎侧向力，但轮胎侧向力也是需要通过估计获得的，这样就会存在误差的累积，因此估计的参数越多难度越大

基于MATLAB的自适应容积卡尔曼滤波(ACKF_Q)源代码：优化状态协方差Q的估计误差降低技术,【ACKF_Q】基于MATLAB的自适应ckf（容积卡尔曼滤波）源代码，通过自适应状态协方差Q来实现，得到了比传统方法更低的估计误差。 适用于Q无法获取、估计不准、变化不定的情况。 只有一个m文件，方便运行，包运行成功 ,基于MATLAB; 自适应ckf; 容积卡尔曼滤波; 自适应状态协方差Q; 估计误差; 无法获取Q; 估计不准确; 变化不定的Q情况; m文件实现。,自适应容积卡尔曼滤波(ACKF)源码：误差更低，状态协方差Q自适应调整

实现了平方根容积卡尔曼滤波，十分好用，效果很好

强跟踪CKF算法及其在非线性系统故障诊断中的应用.pdf

SR-UKF，SR-CKF和SR-EKF的比较 对Unscented Kalman过滤器，Cubaseture Kalman过滤器和Extended Kalman过滤器的平方根版本进行比较。 运行test_time.m进行比较。

容积卡尔曼滤波CKF实现二维目标跟踪 本人长期在CSDN，有技术问题可以联系博主，必回 算法：容积卡尔曼滤波CKF，可以参见《目标跟踪前沿理论与应用》 仿真场景：CV模型,二维目标， 传感器类型：主动雷达 MATLAB仿真仿真实现; 蒙特卡洛仿真实验， 仿真结果：二维跟踪轨迹，各维度跟踪轨迹，估计均方误差RMSE，位置RMSE,速度RMSE（结果图压缩文件都有）。 仿真参数设置：见下面链接的里面又给 仿真结果可以先看下面链接博客，代码肯定能运行且有结果，可开发性强， 如果有问题可联系WX:ZB823618313 对应的仿真模型及参数设置见容积卡尔曼滤波 对应的理论分析和参数设置，见博文《容积卡尔曼滤波CKF在目标跟踪中的应用—仿真部分》https://blog.csdn.net/weixin_44044161/article/details/115741172

针对容积卡尔曼滤波在系统状态突变时滤波精度下降的问题，结合广义高阶容积卡尔曼滤波和强跟踪滤波算法，提出了一种自适应广义高阶容积卡尔曼滤波（AGHCKF）方法。采用广义高阶容积准则和矩阵对角化变换，以提高算法的滤波精度和稳定性。引入强跟踪滤波，利用渐消因子在线修正预测误差协方差阵，强迫残差序列正交，以增强算法应对系统状态突变等不确定因素的能力。将提出的AGHCKF算法应用于带有未知状态突变的机动目标跟踪问题并进行数值仿真，结果表明，AGHCKF在系统状态突变时能保证较高的滤波精度，具有较强的鲁棒性和系统自适应能力。

论文摘要：普通卡尔曼滤波(KF)可以在线性系统中对目标状态做出最优估计，得到好的滤波效 果。然而实际系统总是非线性的，针对非线性系统，常用的解决办法是对非线性系统进行近似 线性化处理，从而将非线性问题转变成线性问题。文中分析了扩展卡尔曼(EKF)、无迹卡尔曼 (UKF)和容积卡尔曼(CKF)的基本原理和各自的特点，然后将EKF、UKF和CKF进行滤波对 比和分析，最后通过仿真试验证明：与EKF相比，UKF、CKF不仅保证了系统的稳定性，同时提 高了估计精度。但CKF的估计均方误差值相比UKF更小，表现出了更高的精度。

uKF（容积卡尔曼滤波）是一种新型的采样型卡尔曼滤波算法，该程序是该算法的matlab完整程序，已经编译过，没有任何问题。

针对已有基于Sigma 点信息滤波的分布式滤波算法, 其性能易受参数影响而导致应用范围受限的问题, 以容积卡尔曼滤波(CKF) 为基础, 利用信息滤波和平均一致性理论提出一种分布式CKF 算法. 该算法在保持分布式滤波优良特性(即可扩展性和对节点故障强鲁棒性) 的同时, 兼具CKF 的高滤波精度和强稳定性. 仿真结果表明了所提出算法的有效性, 与分布式Unscented 卡尔曼滤波(UKF) 算法相比, 该算法显著提高了目标跟踪的精度和稳定性.