目标跟踪技术在计算机视觉和信号处理领域中占据着重要的地位，其中滤波算法是实现目标跟踪的核心技术之一。卡尔曼滤波（Kalman Filter, KF）、扩展卡尔曼滤波（Extended Kalman Filter, EKF）、无迹卡尔曼滤波（Unscented Kalman Filter, UKF）和粒子滤波（Particle Filter, PF）是四种常见的滤波算法，它们各有特点，适用于不同的场景和需求。 卡尔曼滤波是一种高效的递归滤波器，它能够在带噪声的线性系统中估计线性动态系统的状态。卡尔曼滤波器适用于系统模型和观测模型都是线性的情况，通过预测和更新两个阶段交替进行，实现实时的状态估计。由于其计算效率高，卡尔曼滤波在目标跟踪领域有着广泛的应用，尤其是在目标跟踪初期。 扩展卡尔曼滤波是对卡尔曼滤波的一种扩展，用于处理非线性系统的状态估计问题。在实际应用中，许多系统可以近似为非线性系统，EKF通过一阶泰勒展开将非线性函数局部线性化，然后应用标准卡尔曼滤波算法。虽然EKF在非线性系统中能够提供有效的状态估计，但其线性化的误差有时会导致滤波性能下降，尤其是在系统高度非线性时。 无迹卡尔曼滤波是另一种处理非线性系统的滤波方法。UKF采用无迹变换来捕捉非线性状态分布的统计特性，通过选择一组Sigma点来近似非线性函数的分布，避免了EKF中的线性化误差。UKF不需要计算复杂的雅可比矩阵，因此在某些情况下比EKF有着更好的性能，特别是在状态变量维数较高时。 粒子滤波又称为蒙特卡罗滤波，是一种基于贝叶斯估计的序列蒙特卡罗方法，通过一组带有权重的随机样本（粒子）来近似后验概率分布。粒子滤波特别适用于处理非线性、非高斯噪声系统的状态估计问题，理论上可以逼近任意精度的后验概率密度函数。然而，粒子滤波的计算量通常较大，尤其是在粒子数目较多时。 在实际应用中，选择哪一种滤波算法主要取决于目标跟踪系统的具体要求，包括系统模型的线性度、噪声特性、计算资源和实时性要求等因素。因此，对于卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波和粒子滤波的效果对比研究，可以帮助工程师和研究人员更好地理解每种算法的优缺点，从而在实际项目中做出更加合理的选择。 Angle_Convert.m、PF.m、UKF.m、Data_Generate.m、EKF.m、Figure.m、KF.m、main.m、Parameter_Set.m和RMS.m这些文件名称暗示了文件中可能包含了实现目标跟踪算法的源代码，以及用于生成仿真数据、设置参数、计算均方根误差（RMS）等模块。这些文件对于深入研究目标跟踪算法的实现细节，以及在不同算法间进行性能对比提供了实验基础。

Maltlab 程序，直观显示了三种滤波方法的估计值与真实值的误差，以及PF方法的置信区间。Maltlab 程序，直观显示了三种滤波方法的估计值与真实值的误差，以及PF方法的置信区间。

EKF、UKF、PF目标跟踪性能的比较

ekf-ukf-pf 迭代扩展卡尔曼，无味卡尔曼-粒子滤波 性能之间的比较

EKF,UKF,PF三种滤波算法的比较，包括状态估计和误差比较。(该程序有一个小问题，关于粒子滤波的没有显示，需要自己加上)，完整的代码请看另一篇

仿真了EKF、二阶EKF、UKF及PF滤波过程，过程详细，仅涉及一个观测变量！

扩展卡尔曼-无迹卡尔曼-粒子滤波示例 里面包含ukf,ekf，pf的matlab代码过程 其中，状态方程和观测方程 可能与你的不一样，到时候自己替换就好，没有测试数据 不过自己对一遍公式就知道 该代码是否正确

EKF UKF PF三个算法在f(x) = 0.5 *x + 25*x/1+x^2 + 8 * cos(1.2*(k-1))下仿真比较，自己写的代码，直接可以产生很好的效果图，直接可以给导师看。

利用单IMU采集的数据计算当前载体的姿态横滚角和俯仰角，IMU加计作为观测量，陀螺作为状态量。

MATLAB三种卡尔曼滤波对比，分别是扩展卡尔曼滤波EKF，不敏卡尔曼滤波UKF，粒子滤波PF。有跟踪效果和估计值误差。