参考：
一，卡尔曼滤波作用
卡尔曼滤波是来帮助我们做测量的，如果你要测量的东西很容易测准确，没有什么随机干扰，那真的不需要劳驾卡尔曼先生。但在有的时候，我们的测量因为随机干扰，无法准确得到，卡尔曼先生就给我们想了个办法，让我们在干扰为高斯分布的情况下，得到的测量均方误差最小，也就是测量值扰动最小，看起来最平滑。
所谓滤波，实际上是要去掉自己不想要的信号，保留想要的部分。一般来说，是把过程中的噪声去掉。
二，方法
直接称：测量值 有误差
来估计：估计值
1，观测值与估计值分别加一个权值，再做平均，两个权值加起来等于一。
2，权值的确定由以往表现来确定，表现的好就相信多，权值高，表现不好，权值低
3，表现好是指的测量结果稳定，方差很小。表现不好，是估计值，观测值不稳定，方差大。
4，多次观测和估计，达到准确的测量，会进行多次调整。
5，调整是指的把估计值和实测值比较一下，如果估计值小于测量值，就把估计值加上他们之间的偏差做出新的估计值，前面加个加权系数。
解释：观察值Z，估计值X，新的估计：Xnew = X + K ( Z-X），X估计小了，那么新的估计值会加上一个量K ( Z-X）, 如果估计值大了,大过Z了，那么新的估计值就会减去一个量K ( Z-X），这就保证新的估计值一定比现在的准确。一次一次递推下去就会越来越准确，K为权值，也就是卡尔曼增益。Xnew = X + K ( Z-X） = X ×（1-K) + KZ，也就是说估计值X的权值是1-k，而观察值Z的权值是k，究竟k 取多大，全看估计值和观察值以前的表现，也就是他们的方差情况了。
协方差矩阵：
无迹卡尔曼滤波器
特点：速度精度都较好，但是不稳定。学术界多，工业界少。
UT变换：
取三个粒子，代替x的正态分布N（0.1）
为什么取三个例子：期望，方差，对称，所以取三个粒子。
三个粒子要带权重：正态分布是不平的，越接近期望，概率越大
λ为大于0的参数，可以任意取。
期望和方差计算方法：
计算y的期望和方差：
但是精度有问题：
EKF具有一阶精度，UKF具有二阶精度