有什么区别？
其他问题：
如果我可以忘记肯尼迪，但必须还记得预测是更复杂的链接吗？
我怎么能想象不确定性矩阵变成椭圆形？ （我通常看到，面积是不确定的，但我指的是边界）
仅在假设每个传感器都读取不同物体的情况下，才可能在IF中简单添加信息？ （因此没有关联问题，我在此处发布了
#1 楼
他们是完全一样的。信息矩阵（aka精度矩阵）是协方差矩阵的逆矩阵。遵循这个。协方差更新$$ P _ {+} =（I-KH）P $$可以通过定义$ K $来扩展为$$ P _ {+} = P-KHP $$
$$ P _ {+} = P-PH ^ T（HPH ^ T + R）^ {-1} HP $$
现在应用矩阵求逆引理，我们有：
$$ P _ {+} = P-PH ^ T（HPH ^ T + R）^ {-1} HP $$
$$ P _ {+} =（P ^ { -1} + H ^ TR ^ {-1} H）^ {-1} $$
这意味着：
$$ P _ {+} ^ {-1} = P ^ {-1} + H ^ TR ^ {-1} H $$
术语$ P ^ {-1} $被称为先验信息$ H ^ TR ^ {-1} H $是传感器信息（传感器方差的倒数），这使我们获得$ P ^ {-1} _ + $，这是后验信息。
我在掩盖实际状态的估算值，但这很简单。我看到的最好的介绍不是Thrun的书，而是Ben Grocholsky的博士学位论文。 （只是介绍资料）。称为多传感器平台的信息理论控制。这是链接。
编辑
回答所提出的问题。
预测并不复杂，由于您必须将$ n \ times n $协方差矩阵求逆才能获得真实的状态输出，因此计算开销更大。
要从协方差矩阵查看椭圆，只需注意协方差矩阵具有很好的奇异值分解。椭圆的特征值的平方根或椭圆的奇异值的平方根将定义椭圆的主轴。
不，信息的添加仅取决于测量噪声的独立性。如果要使用两个信息过滤器来跟踪两个对象，那很好。或者，如果您想使用IF来跟踪两个对象，那也很好。您所需要做的就是正确地关联度量，以便知道要更新状态的哪一部分（对象1或对象2）。
评论
$ \ begingroup $
论文中的解释很不错！对于一些问题：1.使用IF可以忘记KF，但必须记住预测是更复杂的链接。2.如何想象不确定性矩阵变成椭圆形？ （我通常看到，面积是不确定的，但我指的是边界）3.仅在假设每个传感器读取不同物体的情况下，才可能在IF中简单添加信息？ （因此没有关联问题，我在这里发布了
$ \ endgroup $
– josh131
13年4月10日在12:09
$ \ begingroup $
我回答了你的问题。我还将它们添加到您的原始问题中，因为这是询问相关问题的首选方式。
$ \ endgroup $
–乔什·范德·胡克（Josh Vander Hook）
2013年10月10日14:02
$ \ begingroup $
太好了，很抱歉没有考虑更新主要问题
$ \ endgroup $
– josh131
13年4月11日在8:10
#2 楼
卡尔曼滤波器和信息滤波器之间的差异出现在高斯信念表示中。在卡尔曼滤波器中，高斯信念由其矩（均值和协方差）表示。信息过滤器以规范表示形式表示高斯，它由信息矩阵和信息矢量组成。评论
$ \ begingroup $
这里的规范表示是什么意思？
$ \ endgroup $
–GENIVI-LEARNER
20 Mar 28 '20在21:58
#3 楼
简短说明-信息过滤器和Klaman过滤器之间存在显着差异。
尽管它们在数学上相似（彼此相反），但边际化在Kalman过滤器中很简单，而在信息过滤器中则很复杂。但是，信息过滤器中的平滑处理比较简单，而卡尔曼过滤器中的平滑处理则比较复杂。
由于现代状态估计技术倾向于采用平滑处理来减轻非线性影响，提高精度并允许闭环，因此信息过滤器就可以使用上升。
评论
$ \ begingroup $
好的答案。我对问题中的“规范参数化而不是矩参数化”的含义感到困惑？
$ \ endgroup $
–GENIVI-LEARNER
20-3-28在21:53
评论
您可能会从Thrun等人那里摘到《概率机器人学》一书。等了解信息过滤器，尤其是在机器人技术方面。如果您有特定问题，请随时在这里提问：)我认为他有一个很好的问题：有什么区别？所以我回答了。我认为这是很好的参考，也是因为Thrun的书并不那么好，而且很昂贵。