小编sur*_*ajr的帖子

我对卡尔曼滤波器概念相对较新，我想用它来通过 GPS 测量来估计和跟踪车辆位置的准确性（作为第一步）。但是，我不确定我所考虑的假设和参数值，并且希望其他用户知道我是否朝着正确的方向前进。\n谢谢！！

我考虑了一个标准运动模型：恒定速度（假设加速度对该车辆的位置估计没有影响），因此，我的状态仅包含位置和速度。
\n ₊₁ =_{+ \xcb\x99\xce\x94
\n \xcb\x99 +1 = \xcb\x99}

因此，状态转换矩阵为（考虑具有纬度和经度坐标的 2D 定位 (x,y)）：

A = [[1.0, 0.0, \xce\x94, 0.0],\n     [0.0, 1.0, 0.0, \xce\x94],\n     [0.0, 0.0, 1.0, 0.0],\n     [0.0, 0.0, 0.0, 1.0]]\n

由于我们只有位置测量数据，因此我们可以相应地将测量矩阵写为：

H = [[1.0, 0.0, 0.0, 0.0],\n     [0.0, 1.0, 0.0, 0.0]]\n

初始条件：
\n对于初始启动车辆状态 x ₀，我假设位置和速度全为零（我确实阅读了一些实现，其中他们输入了非零位置值（通常设置为 100），但我不确定这样做的原因）

对于初始不确定性 P ₀，我假设一个对角线设置为 100 的单位矩阵，因为我们不确定初始位置和速度。这个值应该设置得更高吗？当模型的初始位置和速度完全已知时，这到底意味着什么？是世界坐标还是只是某个任意位置？

时间步长 ( \xce\x94 ):
\n由于 GPS 以 1 Hz 或每 1 秒更新一次，因此我相应地假设滤波器的时间步长相同 …