/*学习了@Roger_罗杰的文章，将自己的感悟发表如下，也可以一起讨论。*/

首先下个结论，卡尔曼滤波是对有噪音系统的最优估计。

对小车来说，将小车系统看作一正态分布，我们可以知道当前的均值（位姿速度）与方差（误差），来 [ 预测 ] 小车下一时刻的状态。即可以根据T时刻状态和误差，预测T+1时刻位置与方差。（预测过程是有误差的，故此时预测的T时刻正态分布均值变扁了）

预测完成后，小车运行一段时刻，按照预测结果应该到达蓝线这里，但我们现在并不确定是否准确运行至此。为了避免误差，在T+1时刻进行一次 [ 观测 ] ，观测也有误差（均值与协方差，观测值不是真值），记为红线。

蓝色：预测T+1值;红色：观测T+1值；绿色：修正T+1值

蓝线和红线一个是有误差的预测值，一个是不准的次时刻观测值，按常规思路将之加权，得到较合理的位置。老头卡尔曼已经证明：加权是对的，加权后仍为正态分布。加权时，卡尔曼增益很关键。使用卡尔曼增益修正得到真实的T+1刻状态值和协方差，记为绿线。 [ 数据关联 ]

此时次刻的状态和误差已知，且都是修正过的最优值。可以进行[状态增广]，如果地图中已有该状态，进行状态更新，否则进行地图增广。至此，一次卡尔曼滤波完成，将其视为初态即可进行迭代计算。

（撒花°*:\(￣▽￣)/:*）

注：数据关联是否是得到真值（换句话说，最优估计）尚不得知，是笔者猜测。