声明:【贝叶斯滤波和卡尔曼滤波】系列是博主对分享教学内容的学习笔记，本系列的每个博客都会在文章末尾附上博主听课后总结的纸质笔记，供您参考。
它是一位研究汽车领域、无人驾驶方向及其相关方向的老板，也是博客作者在无人驾驶方向的启蒙老师。因此，研究相关领域的朋友建议听他的视频解释。
它是一种非常重要的理论知识，应用广泛，用于汽车、航空航天、金融、机器学习、电池等许多不同的研究领域SOC估算等等。 由于其广泛的应用，初学者很难找到一篇文章来解释贝叶斯滤波器和卡尔曼滤波器。因此，贝叶斯滤波器和卡尔曼滤波器系列将从源头上解释贝叶斯滤波器和卡尔曼滤波器，以便真正清楚地理解和使用卡尔曼滤波器。
文章目录
- 一、应用领域
- 二、卡尔曼滤波理论价值及学习难度
- 三、系列讲解内容及顺序
- 注：博主笔记
一、应用领域
- 汽车： （1） 无人驾驶感知算法（传感器融合） （2） 跟踪控制轨迹
- 电池：SOC估算-电池电量剩余~%(估算)
- 航空航天：卡尔曼提出起源
- 金融:如何决定股票涨跌？
- 机器学习：决策、推理
2、卡尔曼滤波的理论价值和学习难度
贝叶斯滤波器和卡尔曼滤波器是一种非常重要的理论知识，在许多不同的研究领域得到了应用。
应用广泛： 由于理论价值高，很容易引入其他领域作为补充。 由于其应用广泛，市场上有大量的技术博客或科普文章来解释贝叶斯滤波器和卡尔曼滤波器。但正因为其应用太广泛，需求太多，大量的博客文章对于初学者或不同领域的的研究者不太友好。一方面，文章中的符号解释过于混乱，另一方面，由于应用广泛，不同的人会用不同的背景进行解释和介绍。因此，所有介绍贝叶斯滤波器和卡尔曼滤波器的文章都有所不同。
有些文章很难解释，有很多术语： HMM——隐马尔科夫模型 MCMC——马尔可夫-蒙特卡罗 MAP——最大后验估计 LMS——最小均方差估计 有些文章的解释相对简单，导致他们应用于自己的研究领域或一点知识。
三、系列讲解内容及顺序
学习基础：概率论
注：博主笔记