EKF与ESKF对比与选型指南

📚 共计 30 章节

课程导论：为什么需要对比EKF与ESKF？

从应用场景出发，理解两种滤波器的核心差异与选型意义

状态估计基础：贝叶斯滤波与马尔可夫假设

递归贝叶斯框架，马尔可夫性在状态估计中的角色

基础贝叶斯

卡尔曼滤波回顾：从KF到EKF的演进

线性卡尔曼滤波假设，扩展卡尔曼滤波的动机

EKF核心原理：线性化与雅可比矩阵

泰勒展开一阶近似，雅可比推导与线性化误差

EKF算法流程：预测与更新步骤详解

状态预测、协方差预测、卡尔曼增益、状态更新

EKF的局限性：线性化误差与发散问题

强非线性下的精度损失，协方差发散与数值不稳定

ESKF核心原理：误差状态与名义状态分离

将状态分解为名义状态与误差状态，小信号假设

ESKF误差状态

ESKF算法流程：误差状态预测与更新

误差状态运动学，观测更新与名义状态修正

ESKF的优势：为什么误差状态更稳定？

避免奇异值，更好的线性化特性，数值鲁棒性

优势稳定性

旋转表示：四元数、旋转矩阵与欧拉角

不同旋转参数化的优缺点，ESKF中的选择

旋转四元数

四元数运动学：ESKF中的旋转更新

四元数导数，误差四元数更新，右乘扰动模型

四元数运动学

李群与李代数：SO(3)上的状态估计

李代数求导，指数映射，ESKF的现代观点

EKF vs ESKF：理论对比分析

线性化基点、状态维度、更新机制的系统对比

EKF vs ESKF：计算复杂度对比

矩阵运算量、雅可比计算、实际运行效率

复杂度效率

EKF vs ESKF：数值稳定性对比

协方差正定性、奇异值、长航时表现

数值稳定性

IMU传感器模型：加速度计与陀螺仪

测量模型、噪声特性、随机游走与偏置

IMU预积分：ESKF中的关键技巧

预积分理论，避免重复积分，提高计算效率

视觉惯性里程计(VIO)中的EKF应用

MSCKF框架，EKF在VIO中的经典实现

视觉惯性里程计(VIO)中的ESKF应用

VINS-Mono中的ESKF，误差状态VIO

MSCKF：多状态约束下的EKF

多状态约束卡尔曼滤波，滑动窗口与特征更新

基于ESKF的VINS-Mono框架解析

VINS-Mono系统架构，ESKF在其中的角色

GPS+IMU融合：EKF与ESKF实战对比

组合导航实例，精度与鲁棒性对比

磁力计融合：ESKF中的地磁校正

地磁观测模型，ESKF中的磁力计更新

磁力计校正

选型指南：何时选择EKF？

弱非线性、低维度、实时性要求高的场景

选型指南：何时选择ESKF？

强非线性、高精度、长航时、旋转剧烈场景

工程实践：EKF调参经验与避坑

噪声矩阵调节、初始化技巧、发散检测

工程实践：ESKF调参经验与避坑

误差状态协方差、偏置估计、重置策略

前沿进展：从ESKF到图优化与因子图

ESKF与图优化的联系，因子图框架的优势

前沿因子图

代码实战：基于Python的EKF实现

从零实现EKF，IMU仿真与状态估计

代码实战：基于Python的ESKF实现与对比

ESKF实现，与EKF在相同数据集上的对比分析