一些参考：
（三十九）通俗易懂理解——卡尔曼滤波与扩展卡尔曼滤波 - 知乎 (zhihu.com)
(50 封私信 / 42 条消息) 如何通俗并尽可能详细地解释卡尔曼滤波？ - 知乎 (zhihu.com)
视觉slam14讲-高博
先预测，在更新，得到融合以后的数据值
在任何含有不确定因素的动态系统里使用卡尔曼滤波，有效利用多个粗糙数据之间的关系
一个测量值告诉我们另一个测量值可能是什么样子。这就是卡尔曼滤波的目的
用于衡量变量之间的相关性
（1）建模：高斯模型衡量每一个想要知道的状态
（2）通过上一时刻状态来更新新的时刻的状态，考虑状态转移函数，外力作用，同时考虑系统的不确定性
（3） 与传感器的数据融合（观测数据），
通过矩阵H,将单位进行统一，观测数据与测量数据
（4）两个高斯分布的融合，相乘
得到系统卡尔曼增益。
举例说明，以视觉slam14讲为例
通用slam系统方程：
x代表某一时刻的所有状态，代表该状态下所有的观测
概率论角度来说：似然由观测方程给出，先验由过去所有状态给出，对于KF，由上一时刻状态给出
先验的计算方程如下：
线性状态下的KF方程：
本时刻的先验：
上一时刻的后验：
不是单纯的数值，而是一个状态分布函数，是一个概率函数，程序的更新，只需要维护一个状态变量，对其进行更新即可。
线性高斯系统：
（1）预测
通过运动方程确定状态的先验分布，有
有上一时刻的状态，加系统输入得到系统的先验分布。
另一方面，由观测方程，我们可以计算在某个状态下，应该产生怎样的观测数据：
后验概率，系统先验乘以系统观测
仅对比概率分布的指数部分，可得更新后的均值和方差分别为：
总结如下：
非线性状态下的EKF（拓展卡尔曼滤波）
我们需要把所有非线性公式通过泰勒展开进行线性化
对于预测方程：
对于观测方程进行线性化有：
注意，slam中EKF是离散形式存在的，x(k-1)是变量，x(k-1).hat是变量值，计算概率时，带入进去。
