我正在关注一个关于卡尔曼过滤器的着名tutorial。
从这些代码行中：
figure;
plot(t,pos, t,posmeas, t,poshat);
grid;
xlabel('Time (sec)');
ylabel('Position (feet)');
title('Figure 1 - Vehicle Position (True, Measured, and Estimated)')
我了解x是真实位置，y是衡量位置，xhat是估算位置。然后，如果我们可以计算x（此代码：x = a * x + b * u + ProcessNoise;），为什么还需要估算x？
答案 0 :(得分：6)
...
好的，再看看引用的文章后，我想我看到了混乱。显然，本文中的程序是对线性系统的模拟（因此，它在模拟系统中重复生成新的 x 作为新状态）。然后它还模拟 x 的“噪声”测量，并从那个（模拟的）噪声测量中进行模拟，然后使用卡尔曼滤波器对噪声数据进行演示，以尝试估计实际（模拟） X 的
因此，您询问的确切 x 计算只是模拟的一部分，而 不 是卡尔曼滤波器本身的一部分或卡尔曼滤波算法可用的数据。
答案 1 :(得分：0)
卡尔曼滤波器（以及一般的随机滤波器）不直接为您提供隐藏过程的估算器：它们为您提供隐藏过程的条件定律，给定观察（所谓的< em>过滤法）（*）。
如果你想要隐藏过程的估算器，那么你必须自己做（后验最大值，后期预期值）。对于卡尔曼滤波器，您计算的滤波器法则是高斯滤波器，您只需更新其平均值和协方差矩阵。您可以将平均值作为信号值的估计值，将协方差矩阵作为误差估计值。
确保滤波器法则（滤波器方法的输出）与隐藏信号的估算器之间存在差异。
（*）实际上对于卡尔曼滤波器，它是线性条件定律，但是如果你做一切都是线性的假设，并且噪声是高斯白噪声，那么它就是实际的条件法。相反，粒子滤波器通过离散测量来逼近真实的滤波器定律。