前言：
在SLAM系統中，后端優化部分有兩大流派。一派是基于馬爾科夫性假設的濾波器方法，認為當前時刻的狀態只與上一時刻的狀態有關。另一派是非線性優化方法，認為當前時刻狀態應該結合之前所有時刻的狀態一起考慮。
卡爾曼濾波是在有干擾的條件下，通過數據的結合得到相對更準確的估計數據。
卡爾曼濾波全程只關注兩個東西，一個是估計的最佳值，另一個是該值的不確定性（此處聯想一下高斯分布的兩個參數）。
卡爾曼濾波究竟濾了誰？
卡爾曼濾波可以看作是，通過測量數據將僅由控制數據進行狀態估計而帶來不斷提高的噪聲(不確定性)濾除掉。同時，它更像是一種數據(傳感器)融合的方法。
適用系統： 線性高斯系統
宏觀意義：濾波即加權
1.狀態空間表達式
狀態方程和觀測方程的理解可參考另一篇文章：SLAM運動模型-CSDN博客，只不過這里的觀測方程并不一定是為了求解建圖問題了。
其中Wk和Vk為兩個方程的噪聲，假設符合高斯分布，高斯分布的理解可以參考另一篇文章：SLAM基礎知識-高斯分布-CSDN博客
?2.卡爾曼直觀圖解
卡爾曼濾波器的過程總共分為兩步：卡爾曼濾波器的第一步稱為預測，通過運動方程確定Xk的先驗分布；第二步稱為更新，使用觀測值來修正當前值，計算得到后驗概率分布即最優結果。
?3.卡爾曼公式理解
實現過程：使用上一次的最優結果預測當前的值，同時使用觀測值來修正當前值，得到最優結果。
下面以勻加速直線運動的汽車來舉例說明卡爾曼公式：
調節超參數
?卡爾曼濾波的使用
參考文章和視頻：
為方便記錄，文章中部分截圖來自于以下參考文章和視頻中的內容截圖：
SLAM中的卡爾曼濾波：究竟濾了誰？ - 知乎
放棄（通俗公式理解）_嗶哩嗶哩_bilibili
-使用InnoDB的全文索引)
)
![LeetCode 刷題 [C++] 第55題.跳躍游戲](http://pic.xiahunao.cn/LeetCode 刷題 [C++] 第55題.跳躍游戲)
)
)