卡尔曼滤波的总结
现在可以关注用法，但后面要自己推导
1：卡尔曼增益就权值，权值的大小是由前一个时刻的表现来决定，谁的精度高谁的权值。
2：卡尔曼滤波是一个递归算法，由前一时刻的预测值和当前时刻的测量值加权平均。理论上多次调整之后逐渐到达准确值。
3：滤波就是去掉不想要的信号，保留有用的信号。一般是去掉噪声。
4：常见的卡尔曼滤波的推导是矩阵相乘的形式：这说明是线性系统，如果x_t写成发f(x_t)，那就有可能是非线性的
5：什么是马尔科夫过程（粒子滤波要用到）
6：什么是协方差矩阵？变量之间的 相关程度
7：这几个要知道：协方差、最小均方误差估计、多元高斯分布、最大似然估计
8：对于非线性系统来说，我们使用扩展卡尔曼滤波，区别在于EKF多了一个把预测和测量部分进行线性化的过程。
9；把两个具有不同均值和方差的高斯分布相乘，你会得到一个新的具有独立均值和方差的高斯分布。直接从高斯分布相乘可以得到更小的不确定性的分布。
10：初值的选取不重要 多次迭代以后可以收敛
11：
参考资料：
