怎样看待：【卡尔曼滤波器】2_数学基础_数据融合_协方差矩阵_状态空间方程_观测器问题[一阶段]

评：老师讲的真的太棒了

评：老师讲的非常清晰，期待老师的下期公式推导视频[打call]

评：讲的真好。

评：看的太爽了，忍不住多看两遍

评：老师，有个小小的建议，就是在上传视频的时候，可以把视频放到一起，例如把所有自动控制的视频放在一起，成一个目录，这样不用退出再去小下一个视频。

评：硬币支持老师！

评：催更！

评：通俗易懂，好视频

评：讲的太好了!!!!!求老师讲讲非线性观测器（高增益观测器，滑模观测器，自适应观测器等等）

评：太棒了??

评：视频更新了，顶一个

评：[热词系列_三连][热词系列_爱了爱了]

评：坐等下一讲

评：谢谢老师 太及时了！

评：感谢！

评：突然高产[热词系列_高产]

评：我喜欢枯燥的数学推导，老师牛逼[鼓掌][鼓掌][鼓掌][鼓掌]

评：入座，看标题是很基础但却是无比重要的知识，准备多看几遍！

评：太棒了！！！！

评：视频的开头有一个问题，两个秤砣的方差不一样，意味着当你只知道一个秤砣的方差时，比如说你的估计值是30g，好的，你的方差是确定的，但是当你又得知了另一个秤砣的信息时，这个时候你的估计值得方差还是你第一个秤砣的方差吗？你品，你细品，我举一个极端的例子，两个秤砣都是30g，标准差一个100g，一个1g，这个时候你的估计值是30g，那你方差你是选100g还是1g呢？而视频里显然直接用了第一个的标准差，这应该是不对的。

评：不过瘾啊，期待下一集

评：关于数据融合部分的随机变量表示还可再完善一下：Z1、Z2分别为随机变量符号，Z1-秤1的示数；Z2-秤2的示数。μ1为Z1的均值；μ2为Z2的均值。μ1=30，σ1=2；μ2=32，σ2=4。视频中Z1=30、Z2=32，这是把随机变量的符号当均值符号了。

评：老师，能否再讲解一下matalb例子仿真，实现提高gps观测坐标精度

评：从连续到离散这里过渡的有点不恰当：X_k=A*X_(k-1)+Bu_k

评：转码的自动化新生前来点赞

评：如果测量值不服从正态分布，还能利用卡尔曼滤波算法估计真实值吗？

评：讲得真的好，主要是举例子非常容易懂，csdn上看的都是把公式一放就完了

评：老师用的什么笔记软件来讲课？[支持]

评：准备自动化研究生，up主自控的讲解视频帮助我找到了思路，谢谢！

评：听了那么多卡尔曼滤波，但是还是不知道自己的工程问题怎么用起来。

评：我还在补前面的视频

评：从概率的角度应该是两个正太分部取交集，两个正太分部相乘还是一个正太分部，方差和均值就是推出来的样子

评：喜欢老师的高产[大笑]

评：能不能请老师讲一下离散化，谢谢

评：太香了！

评：太棒了 ！[支持][支持][支持][支持][支持]

评：太棒了！！

评：请问：连续的时候，dx（t）=Ax（t）+Bu（t），为什么离散的表达式就没有导数了呢，变成了Xk=AXk-1+Buk-1

评：冲啊！卡尔曼滤波!

评：协方差的不是误差的平方和除以n-1吗？这里为什么是除以3？

未经允许不得转载：易贰评 » 怎样看待：【卡尔曼滤波器】2_数学基础_数据融合_协方差矩阵_状态空间方程_观测器问题[一阶段]