=============================================== ===
github: https://github.com/MichaelBeechan
CSDN: https://blog.csdn.net/u011344545
=============================================== ===
- In diesem Beispiel verwenden wir eine einfache Zustandsübergangsfunktion und eine Beobachtungsfunktion, um die Daten zu simulieren, und verwenden den erweiterten Kalman-Filter, um den Zustandsvektor zu schätzen. In praktischen Anwendungen können die Zustandsübergangsfunktion und die Beobachtungsfunktion komplexer sein, aber das Grundprinzip des erweiterten Kalman-Filters ist dasselbe.
% 扩展卡尔曼滤波
% 状态方程：x(k+1) = f(x(k), u(k)) + w(k)
%