这一周主要讲卡尔曼滤波 (Kalman Filter)，视频讲得比较简略，slides 做得里也有不少错误。最后看了一些其他网站的文章和视频才有了比较深刻的理解。参考资料推荐在本文结尾。卡尔曼滤波 KF 卡尔曼滤波可以从一系列包含噪音的观测数据中，估计出每个时间点系统的状态。KF 有几个基本假设：当前状态只和前一状态有关，且和前一状态线性相关，即 \(x_{t+1}=A_t x_{t} + B_t u_t + \epsilon_t\)，这里 \(x_t\) 是状态向量，\(u_t\) 为控制向量，\(\epsilon_t\) 是均值为 0 的高斯分布噪音。测量结果和状态线性相关：\(z_t =……