Gutes Buch oder Nachschlagewerk zum Erlernen von Kalman Filter

Ich bin völlig neu im Kalman-Filter. Ich hatte einige Grundkurse über bedingte Wahrscheinlichkeit und lineare Algebra. Kann jemand ein gutes Buch oder eine Ressource im Internet vorschlagen, die mir helfen kann, die Kalman-Filter-Operation zu verstehen?

Die meisten Websites beginnen direkt mit der Formel und ihrer Bedeutung, aber ich bin mehr an ihrer Ableitung interessiert, oder wenn nicht an einer detaillierten Ableitung, dann zumindest an der physikalischen Bedeutung jeder Operation und jedes Parameters.

Vor vielen Jahren habe ich dieses Tutorial über den Kalman-Filter geschrieben. Es leitet den Filter sowohl unter Verwendung des herkömmlichen Matrixansatzes ab als auch zeigt seine statistischen Annahmen als 'optimales' Filter der kleinsten Quadrate an.

Dies scheint eine schöne Beschreibung des Kalman-Filters zu sein.

Ich suchte auch nach einem Buch, um die Grundlagen zu erlernen, die zum Erlernen und Implementieren der Kalman-Filterung in der realen Situation erforderlich sind. Bisher habe ich meine Wahl dazu abgeschlossen:

Grundlagen der Kalman-Filterung: Ein praktischer Ansatz (Fortschritte in der Astronautik und Luftfahrt) von Paul Zarchan

Ich denke, das sollte derjenige sein und ich bestelle es jetzt. :) :)

Eine gute dreiteilige Serie von Youtube-Videos (jeweils ~ 10 Minuten) bietet ein intuitives Verständnis des Kalman-Filters.

http://www.youtube.com/watch?v=FkCT_LV9Syk .

Eine Sache zu beachten ist, dass es verschiedene Möglichkeiten gibt, die Kalman-Filter-Gleichungen abzuleiten, und jede Methode gibt Ihnen eine andere Perspektive, wie es funktioniert. Daher schlage ich vor, dass Sie sich 2 - 3 verschiedene Ableitungen ansehen, um diesen Algorithmus zu verinnerlichen.

Kürzlich veröffentlichten Mandic, Danilo P. und Kanna, Sithan und Constantinides, Anthony G. " Über die intrinsische Beziehung zwischen dem kleinsten mittleren Quadrat und Kalman-Filtern " in der Zeitschrift IEEE Signal Processing:

Das Kalman-Filter und das adaptive LMS-Filter (Least Mean Square) sind zwei der beliebtesten adaptiven Schätzalgorithmen, die in einer Reihe statistischer Signalverarbeitungsanwendungen häufig austauschbar verwendet werden. Sie werden typischerweise als separate Einheiten behandelt, wobei erstere als Realisierung des optimalen Bayes'schen Schätzers und letztere als rekursive Lösung für das Problem der optimalen Wiener Filterung dienen. In dieser Vorlesungsnotiz betrachten wir ein Systemidentifikations-Framework, in dem wir eine gemeinsame Perspektive auf Kalman-Filterung und LMS-Algorithmen entwickeln, die durch Analyse der Freiheitsgrade erreicht wird, die für eine optimale Anpassung des stochastischen Gradientenabfalls erforderlich sind. Dieser Ansatz ermöglicht die Einführung von Kalman-Filtern ohne Berücksichtigung der Bayes'schen Statistik.

Ein sehr gutes Buch zum Erlernen der Kalman-Theorie und der Implementierung mit MATLAB finden Sie hier

Die beste Ressource ist meiner Meinung nach die Wikipedia-Seite. Hier ist eine minimale und einfache Implementierung von Kalman Filter mit denselben Notationen wie auf der Wikipedia-Seite: https://github.com/zziz/kalman-filter