卡尔曼滤波

【MATLAB例程介绍】（17）永磁同步电机（PMSM）基于自适应无迹卡尔曼滤波（AUKF）的电流噪声在线估计。测量噪声协方差自适应与转速估计对比仿真原创例程，有中文注释。可直接运行、得到结果程序基于MATLAB搭建永磁同步电机（Permanent Magnet Synchronous Motor，PMSM）仿真模型，采用自适应无迹卡尔曼滤波（Adaptive Unscented Kalman Filter，AUKF），实现电流测量噪声协方差的在线估计，以及机械转速、转子电角度和电流状态的联合观测。

【PMSM例程】（14）永磁同步电机无迹卡尔曼滤波（UKF）定子电阻在线辨识与补偿。电阻变化跟踪及预测误差对比仿真。附完整代码的下载链接原创代码，包运行成功。有中文注释本程序基于MATLAB搭建永磁同步电机（Permanent Magnet Synchronous Motor，PMSM）电气仿真模型，采用无迹卡尔曼滤波（Unscented Kalman Filter，UKF），实现定子电阻参数的在线辨识，并通过更新电气模型中的电阻参数，分析参数辨识对电流预测精度的影响。

【PMSM例程11】永磁同步电机（PMSM）基于UKF的转速与转子位置估计。附下载链接原创代码，包运行成功本程序基于MATLAB搭建永磁同步电机（Permanent Magnet Synchronous Motor，PMSM）仿真模型，采用无迹卡尔曼滤波（Unscented Kalman Filter，UKF），实现电机电流、机械转速及转子电角度的联合估计。

如何使用 NIS 判断观测是否可靠：从卡尔曼滤波推导到机器人实践核心问题：考虑了预测与传感器各自的不确定性之后，本次观测与预测之间的差异，是否大得不合理？NIS（Normalized Innovation Squared，归一化创新平方）检验的是观测与当前预测、噪声模型之间的统计一致性，不是直接判断观测是否接近真实值。它不需要真实状态，适合在线使用；但也正因为没有真实值，它不能仅凭一次检验就证明“传感器错了，预测一定是对的”。

【PMSM例程1】永磁同步电机（PMSM）转速与转子电角度观测算法｜基于扩展卡尔曼滤波（EKF）的传感器状态估计与误差。附下载链接复完整代码的下载链接。有中文注释，包运行成功本程序基于永磁同步电机（PMSM）数学模型，实现机械转速与转子电角度的扩展卡尔曼滤波（EKF）估计。通过模拟磁场定向控制（FOC）下的电压、电流信号，利用EKF完成电机状态预测与量测更新，并绘制转速、角度、电流及估计误差曲线。电机参数、控制器参数、仿真时间及测量噪声等均可自行调整，便于开展不同工况下的状态观测仿真。

【电机滤波例程1】PMSM永磁同步电机转速与位置估计，MATLAB程序：标准无迹卡尔曼滤波、模型说明与仿真验证完整代码，附下载链接。包运行成功面向四维PMSM转速与电角度估计，实现标准扩展卡尔曼滤波（EKF），包含仿真数据生成、滤波递推、结果可视化与误差评价。从静止αβ轴电流观测中同时估计电流、机械转速和转子电角度。采用标准EKF，展示非零转速下的初始误差收敛和变速跟踪。

【电机滤波例程2】负载转矩增广扩展卡尔曼滤波（EKF）原理与MATLAB例程：五维PMSM状态与负载阶跃估计。订阅专栏后可查看完整代码完整代码，附下载链接。包运行成功，可联系我获取相关代码定制面向五维PMSM状态与负载阶跃估计，实现负载转矩增广扩展卡尔曼滤波（EKF），包含仿真数据生成、滤波递推、结果可视化与误差评价。将未知负载转矩作为第五个状态，通过电流观测和机电耦合关系估计负载，并同步估计转速、电角度和电流。

RSSM 与卡尔曼滤波：相似的思想，不同的世界模型第一次看到 RSSM（Recurrent State-Space Model，循环状态空间模型）时，会产生一个很自然的感觉：它和卡尔曼滤波都在“根据过去预测现在，再用新观测修正预测”。这个感觉是对的，但还不够精确。

BMS算法快速原型开发：AI辅助实现扩展卡尔曼滤波(EKF)SOC估算从理论到代码落地电池荷电状态（State of Charge, SOC）是电池管理系统（BMS）中最核心的状态量之一，直接关系到续驶里程预测、充放电保护、电池均衡控制和寿命管理等功能的准确性。SOC的物理定义是电池剩余可用容量与额定容量的比值，范围为0到1（或0%到100%）。然而，SOC是电池的内部状态，无法通过传感器直接测量，只能通过外部可观测信号（端电压、电流、温度）进行间接推算——这构成了SOC估算问题的本质挑战。

C 语言工业级通用组件手写 23：卡尔曼滤波（简易版）目录前言：一、核心本质与应用场景1. 什么是卡尔曼滤波2. 解决的核心痛点3. 典型落地场景二、核心实现原理

【10天速通ROS2-PX4无人机】(四) 关掉GPS和气压计，纯激光定位还能飞吗x = [ p v q b a b g b m w ] T \mathbf{x} = \begin{bmatrix} \mathbf{p} & \mathbf{v} & \mathbf{q} & \mathbf{b}_a & \mathbf{b}_g & \mathbf{b}_m & \mathbf{w} \end{bmatrix}^T x=[pvqbabgbmw]T

民乐团扒谱机

【微实验】从迷雾中看清世界：卡尔曼滤波的数学诗意与MATLAB实践摘要：当 GPS 导航突然“漂移”到路边建筑里，当自动驾驶的轨迹追踪出现抖动——这些都是传感器噪声在作祟。卡尔曼滤波（Kalman Filter）正是解决这类“在不确定性中寻找确定性”问题的经典算法。本文将从生活直觉出发，逐步推导卡尔曼滤波的数学原理，提供完整的一维 MATLAB 实现代码，并扩展至二维车辆跟踪场景。全文包含可运行的代码、参数调优指南和工程落地建议，适合算法入门者、自动化专业学生和工程技术人员阅读。

【MATLAB例程】自适应渐消扩展卡尔曼滤波（AFEKF）三维雷达目标跟踪|效果已调优，附下载链接和运行结果，代码直接运行即可原创代码，请勿翻卖针对三维雷达机动目标跟踪问题，构建状态向量 [x, vx, y, vy, z, vz]'，其中包含目标在三维空间中的位置和速度信息。目标真实轨迹分为多个运动阶段，包括匀速运动和不同加速度机动过程，用于检验滤波器在目标机动情况下的跟踪能力。

机器人不加班

卡尔曼滤波器工作原理图解原文：https://www.bzarg.com/p/how-a-kalman-filter-works-in-pictures/

RTS Smoother：从匀速运动模型出发的数学推导与实例讲解在运动目标跟踪中，我们常常只能观测到带噪声的位置，例如 GPS、雷达或视觉测量。假设一个物体近似做一维匀速运动。真实状态包括：

【MATLAB代码介绍】使用EKF融合惯导和DVL（速度）的MATLAB仿真例程基于 MATLAB 编写的扩展卡尔曼滤波（EKF）仿真程序。该代码旨在模拟和验证 EKF 算法在处理非线性系统时的状态估计性能，具体场景设定为惯性导航系统（INS）与多普勒测速仪（DVL）的数据融合。如有程序答疑等需求，可通过文末的卡片联系作者

【MATLAB例程】基于低精度IMU、GNSS的UAV初始航向（三维角度）校准的仿真，包含卡尔曼滤波、惯导解算与校正利用手机IMU（低精度传感器）数据和GNSS定位实现姿态初始化，对比校准前后的轨迹误差本文所述的程序为MATLAB仿真代码，可直接运行，包运行成功。仿真模拟了低成本传感器（手机 I M U + G N S S IMU + GNSS IMU+GNSS）的UAV姿态初始化与误差评估框架，在存在陀螺偏置和GNSS噪声的条件下，验证基于“粗初始化 + 卡尔曼滤波”的姿态解算方法对姿态校正的效果。

海砥装备HardAus

无人机姿态融合解算原理与多源数据互补机制姿态解算是飞行控制系统的核心内核，直接决定无人机姿态保持、机动响应与航线跟踪的基础能力，是工业无人机实现高精度作业的前提。单纯依托惯性测量单元（IMU）完成姿态输出，极易受温漂、振动、积分累积误差影响，长期飞行会出现航向偏移、倾角漂移、姿态收敛滞后等问题，无法满足工业高精度作业需求。本文立足学术规范与工程实践，系统阐述无人机姿态融合解算的核心原理、多源数据融合架构，深入分析 IMU、加速度计、磁力计、北斗 / GPS 等多源传感数据的互补机制，构建高精度姿态融合解算算法，结合工程实测验证算法的有效性，兼顾

误差状态卡尔曼滤波（ESKF）推导目录1. 概率基础知识1.1 独立1.2 全概率公式1.3 条件概率公式1.4 贝叶斯公式1.5 高斯概率密度函数

卡尔曼滤波（状态估计算法）卡尔曼滤波（Kalman Filter）是嵌入式开发中极为核心的状态估计算法，尤其适用于存在噪声的传感器数据融合和动态系统状态估计。