无味卡尔曼滤波与扩展卡尔曼滤波的具体区别，以及算法 求matlab实现扩展卡尔曼滤波的程序

无味卡尔曼滤波与扩展卡尔曼滤波的具体区别，以及算法

EKF是对非线性系统模型（方程）进行的线性化近似，以利用KF算法进行滤波估计。而UKF是对状态的概率统计近似，即设计少量的σ点，由σ点经由非线性函数的传播，计算出随机向量一、二阶统计特性的传播，对于高斯噪声的假设，UKF能够达到三阶估计精度，而EKF只能达到二阶精度，但其算法仍然是利用KF的算法。
现在国内外的文献大都是对UKF算法的改进和应用进行论述，但对算法的稳定性等没有系统的论述。我了解得沈阳自动化所做的这方面的工作很多。

求matlab实现扩展卡尔曼滤波的程序

这里有一个toolbox，希望对你有帮助。
http://www.mathworks.com/matlabcentral/fileexchange/loadFile.do?objectId=5377&objectType=file

什么是什么是卡尔曼滤波目标跟踪 完美

目
标跟踪系统中的滤波方法》共分10章。第1章介绍了滤波方法在目标跟踪系统中的地位和作用，以及滤波方法的研究进展和评价标准。第2章对卡尔曼滤波和与卡
尔曼滤波相关的非线性滤波算法做了论述。第3章介绍粒子滤波，包括序贯重要性重采样粒子滤波、辅助粒子滤波、正则化粒子滤波、扩展卡尔曼粒子滤波、高斯和
粒子滤波、边缘粒子滤波等。第4章论述等式状态约束条件下的滤波算法，提出了一种线性等式状态约束条件下的粒子滤波算法和一种迭代收缩非线性状态约束条件
下的滤波算法。第5章讨论自适应卡尔曼滤波，提出了一种双重迭代变分贝叶斯自适应卡尔曼滤波算法及其融合方法。第6章讨论无序量测条件下的滤波方法，提出
了一种基于不敏变换的无序量测融合算法。第7章讨论网络丢包条件下的滤波方法，提出了一种非线性系统中具有丢包情况的滤波方法。第8章研究各类非线性滤波
RTs平滑算法，并在此基础上提出了一种RTs分段融合方法。第9章介绍了几种非线性滤波算法在目标跟踪系统中的应用实例。第10章是相关的数学预备知
识，内容涉及向量和矩阵、随机变量、随机向量和随机过程。

《目标跟踪系统中的滤波方法》内容属于信息融合研究领域。针对多条件下目标跟踪系统中的滤波方法，本书结合近年来国内外研究热点进行论述，内容较为新颖。
具体内容包括：卡尔曼滤波和非线性系统滤波、粒子滤波、等式状态约束条件下的滤波、自适应卡尔曼滤波及其融合、无序量测条件下的滤波、网络丢包条件下的滤
波、RTS平滑及其分段融合以及非线性滤波算法在目标跟踪中的应用等。
《目标跟踪系统中的滤波方法》可供电子信息、自动化、计算机应用、控制科学与工程、信号处理、导航与制导等相关专业高年级本科生和研究生，以及相关领域的工程技术人员和研究人员参考。

扩展卡尔曼滤波如何进行线性化

只要能写出A，B，C，D四个矩阵，就是线性的了。如果系统是非线性的，那么你是没有办法把状态空间表示成x‘=Ax Bu, y=Cx Du的形式的。线性化就是求这四个矩阵的近似值。以上论调仅供参考，你可以看看附件。
另外，如果你的系统“非常”不线性的话，你可以试试sigma point kalman filter。
有问题可以给我发邮件，zengxin062121@163.com
很抱歉，回答者上传的附件已失效

卡尔曼滤波

这里的Pdot是一个中间变量，你只看几个步骤是不可能会懂的，最好要全部一起看，下面是纤细步骤：

这里用到的kalman主要分为5个步骤：

(1) X=A*X B*angular_speed_m
(2) P=A*P*A Q
(3) X=X-KG(Z-H*X)
(4) K=P*H(H*P*H R)
(5) (I-KG*H)*P

对矩阵P的更新只有 P=A*P*A Q P,A,Q都是矩阵
A=1 -TS
0 1
Q=q_acce 0
0 q_gyro

单片机目前肯定是不能计算矩阵啦，说以就自己算矩阵乘法，加法(线性代数)
P[0][0]=(KAL_A[0][0]*P[0][0] KAL_A[0][1]*P[1][0])*KAL_A[0][0] (KAL_A[0][0]*P[0][1] KAL_A[0][1]*P[1][1])*KAL_A[0][1] KAL_Q[0][0]/////////////////////

P[0][1]=(KAL_A[0][0]*P[0][0] KAL_A[0][1]*P[1][0])*KAL_A[1][0] (KAL_A[0][0]*P[0][1] KAL_A[0][1]*P[1][1])*KAL_A[1][1] KAL_Q[0][1]////////////////////

P[1][0]=(KAL_A[1][0]*P[0][0] KAL_A[1][1]*P[1][0])*KAL_A[0][0] (KAL_A[1][0]*P[0][1] KAL_A[1][1]*P[1][1])*KAL_A[0][1] KAL_Q[1][0]////////////////////

P[1][1]=(KAL_A[1][0]*P[0][0] KAL_A[1][1]*P[1][0])*KAL_A[1][0] (KAL_A[1][0]*P[0][1] KAL_A[1][1]*P[1][1])*KAL_A[1][1] KAL_Q[1][1]////////////////////

然后把等于1或0的式子直接去掉

P[0][0]=(P[0][0] KAL_A[0][1]*P[1][0]) (P[0][1] KAL_A[0][1]*P[1][1])*KAL_A[0][1] q_acce// a

P[0][1]=P[0][1] KAL_A[0][1]*P[1][1]// b
P[1][0]=P[1][0] P[1][1]*KAL_A[0][1]// c
P[1][1]=P[1][1] q_gyro// d

下面是你写的
P[0][0] = Pdot[0] * dt
P[1][1] = Pdot[3] * dt
Pdot[0] = Q_angle - P[0][1] - P[1][0]
Pdot[3] = Q_gyro
简化，约分后
P[0][0] =（Q_angle - P[0][1] - P[1][0]）* dt； >>对应上面的a
P[1][1] =Q_gyro * dt >>对应上面的d

当然我自建的kalman和你看的那个版本还是有点差异，不过我的这个版本是可以用的，你看的哪个版本也可以用，效果都差不多。
我的回答就是这样，记得点赞哦！！！！