Buon libro o riferimento per imparare Kalman Filter

Sono totalmente nuovo nel filtro Kalman. Ho seguito alcuni corsi di base sulla probabilità condizionale e l'algebra lineare. Qualcuno può suggerire un buon libro o qualsiasi risorsa sul web che mi possa aiutare a capire il funzionamento di Kalman Filter?

La maggior parte dei siti Web inizia direttamente con la formula e il loro significato, ma sono più interessato alla sua derivazione, o se non alla derivazione dei dettagli, almeno il significato fisico di ogni operazione e parametro.

Molti anni fa ho scritto questo tutorial sul filtro Kalman. Deriva il filtro usando sia l'approccio a matrice convenzionale sia mostrando i suoi presupposti statistici come filtro "ottimale" dei minimi quadrati.

Questo sembra essere un bel riassunto del filtro Kalman.

Stavo anche cercando un libro, il migliore per coprire le basi necessarie per imparare e implementare il filtro kalman nella situazione della vita reale. Finora ho finalizzato la mia scelta a questo:

Fondamenti di Kalman Filtering: A Practical Approach (Progress in Astronautics and Aeronautics) di Paul Zarchan

Penso che questo dovrebbe essere quello e lo sto ordinando ora. :)

Una buona serie in 3 parti di video di Youtube (~ 10 minuti ciascuno) fornisce una comprensione intuitiva del filtro Kalman.

http://www.youtube.com/watch?v=FkCT_LV9Syk .

Una cosa da notare è che ci sono vari modi per derivare le equazioni di Kalman Filter e ogni metodo ti dà una prospettiva diversa di come funziona. Quindi, ti suggerisco di esaminare 2-3 diverse derivazioni per aiutarti a interiorizzare questo algoritmo.

Di recente, Mandic, Danilo P. e Kanna, Sithan e Constantinides, Anthony G. hanno pubblicato " Sulla relazione intrinseca tra il minimo quadrato e i filtri di Kalman " nella rivista di elaborazione del segnale IEEE:

Il filtro Kalman e il filtro adattativo LMS (meno quadrato medio) sono due dei più popolari algoritmi di stima adattiva che vengono spesso utilizzati in modo intercambiabile in numerose applicazioni di elaborazione del segnale statistico. Sono in genere trattati come entità separate, con il primo come realizzazione dello stimatore bayesiano ottimale e il secondo come soluzione ricorsiva al problema ottimale del filtraggio di Wiener. In questa nota della lezione, consideriamo un framework di identificazione del sistema all'interno del quale sviluppiamo una prospettiva comune sul filtraggio di Kalman e sugli algoritmi di tipo LMS, ottenuti attraverso l'analisi dei gradi di libertà necessari per un adattamento ottimale della discesa del gradiente stocastico. Questo approccio consente l'introduzione di filtri Kalman senza alcuna nozione di statistiche bayesiane,

Un ottimo libro per imparare la teoria di Kalman e l'implementazione usando MATLAB è qui

La migliore risorsa è la pagina di Wikipedia secondo me. Ecco un'implementazione minima e semplice di Kalman Filter con le stesse notazioni fornite nella pagina Wikipedia: https://github.com/zziz/kalman-filter