本系列文章详细推导和解释了 Kalman Filter 及其各种变种,最终目的是推导目前最常用的 Error state Kalman Filter (EsKF) 和 Error state Iterated Kalman Filter (EsIKF)。
但是由于想推导这两个算法,必须实现知道所依赖的基础的 Kalman Filter 变种算法,因此本系列文章从最基础的经典 Kalman Filter 开始,逐步推导其他变种的算法。
此外,在 SLAM 中最常应用的还有 IMU,其中最复杂的是 IMU的运动学方程,不论是滤波法还是优化法都会使用到它,因此本系列文章也会给出 IMU运动学方程 的推导,以及状态变量选择为误差状态时的 误差状态IMU运动学方程。
本系列文章如下:
- Kalman Filter in SLAM (1) ——Data Fusion and Kalman Filter(数据融合和卡尔曼滤波)
- Kalman Filter in SLAM (2) ——Derivation of Kalman Gain and Covariance Matrix (卡尔曼增益和协方差矩阵推导)
- Kalman Filter in SLAM (3) ——Extended Kalman Filter (EKF, 扩展卡尔曼滤波)
- Kalman Filter in SLAM (4) ——Iterated Extended Kalman Filter (IEKF, 迭代扩展卡尔曼滤波)
- Kalman Filter in SLAM (5) ——IMU Intergration and State Space Representation (IMU积分和状态空间表示)
- Kalman Filter in SLAM (6) ——Error-state Kalman Filter (EsKF, 误差状态卡尔曼滤波)
- Kalman Filter in SLAM (7) ——Error-state Iterated Kalman Filter (EsIKF, 误差状态迭代卡尔曼滤波)