概率密度函数f(x,y)，分布函数F(x,y);联合概率密度函数；
边缘分布；边缘密度函数；条件密度函数；
两个阶段三个数值：
预测值 >>>>> 测量值 >>>>> 最优估计值；循环；
运动模型；
随机高斯分布；
协方差矩阵；对称；
预测矩阵；
cov(AX,BY)=Acov(X,Y)B'
预测值的更新；
协方差矩阵的更新；
外界影响；控制矩阵；控制向量；
外部不确定性；噪音(高斯)；协方差；
估计值：
协方差：表示不确定性；
In other words, the new best estimate is a prediction made from previous best estimate, plus a correction for known external influences.
And the new uncertainty is predicted from the old uncertainty, with some additional uncertainty from the environment.
测量值：
通过测量值来修正估计值；
联合高斯分布：联合概率密度函数；
卡尔曼增益；
测量转换矩阵Hk；
状态转换矩阵Fk；
理解完原理之后，重点是如何构建模型，如何设置变量数值，包括xk，Fk，Pk，Qk，Rk，以及Bk，Uk；Fk(状态转换矩阵)和Hk(测量转换矩阵)可以通过运动模型的关系得到；Pk(协方差矩阵)，Qk(系统/过程噪声)，Rk(测量噪声)根据经验得到；Bk，Uk一般没有，除非模型中包含控制量；
FilterPy 是python提供的贝叶斯滤波器，主要是Kalman滤波器。需要之前安装Numpy和SCipy。显示的时候也会用到matplotlib。
KF可以对任何线性系统建模。 对于非线性系统，我们使用扩展卡尔曼滤波器EKF，其通过简单地线性化关于它们的平均值的预测和测量来工作。
参考
1. How a Kalman filter works, in pictures；
2. X,Y是随机变量,A,B是常数矩阵,如何证明cov(AX,BY)=Acov(X,Y)B'？
完