非线性状态估计是一个具有挑战性的问题。 著名的卡尔曼滤波器只适用于线性系统。 扩展卡尔曼滤波器 (EKF) 已成为非线性状态估计的标准公式。 然而，由于不确定性通过非线性系统的传播，它可能会导致高度非线性系统的重大误差。 无迹卡尔曼滤波器 (UKF) 是该领域的一项新进展。 这个想法是基于其协方差在当前状态估计周围产生几个采样点（Sigma 点）。 然后，通过非线性映射传播这些点以获得映射结果的均值和协方差的更准确估计。 通过这种方式，它避免了计算雅可比矩阵的需要，因此只产生与 EKF 相似的计算负载。 出于教程目的，此代码实现了 UKF 公式的简化版本，其中我们假设过程噪声和测量噪声都是可加的，以避免状态增加，并简化对非线性映射的假设。 该代码被大量注释，并附有使用该函数的示例。 因此，初学者学习UKF是合适的。 为了比较，可以从http://www.mathworks.com/

基于无迹卡尔曼滤波（UKF）的锂电池荷电状态（SOC）估计，里面包含自己所做实验得到的锂电池系统参数（二阶RC等效电路模型各参数），并且通过UDDS工况仿真验证UKF算法的精度。需要各种误差图，可自行修改代码。

本代码实现是对UKF（无迹卡尔曼滤波）的MATLAB实现

#资源达人分享计划#

为了提高末制导段雷达与红外复合导引头的跟踪精度，论文提出了一种融合跟踪方法。该方法首先将雷达与红外传感器观测到的目标距离、角度等信息进行融合，并将融合后的新观测信息作为雷达与红外传感器的输入，然后分别运用无迹卡尔曼粒子滤波算法对目标状态进行初估计，将各自得到的目标状态估计采用协方差加权融合的方法进行融合，最后得到目标最终的状态估计。结果表明，该方法能有效提高复合导引头对目标的跟踪精度。

UWB精确定位自适应无迹卡尔曼滤波算法UWB精确定位自适应无迹卡尔曼滤波算法UWB精确定位自适应无迹卡尔曼滤波算法UWB精确定位自适应无迹卡尔曼滤波算法UWB精确定位自适应无迹卡尔曼滤波算法UWB精确定位自适应无迹卡尔曼滤波算法UWB精确定位自适应无迹卡尔曼滤波算法

运动物体的轨迹预测无迹卡尔曼滤波算法实现

本文档是黄小平的卡尔曼滤波原理及应用_matlab仿真的书籍pdf扫描版，内容完整，书中有相应的各种kalman滤波的matlab代码示例。书中介绍了MATLAB仿真基础、Kalman滤波原理、Kalman滤波在视频图像目标跟踪中的应用、卡尔曼滤波扩展Kalman滤波原理及应用、无迹Kalman滤波原理及应用。

ukf2.vi无迹卡尔曼滤波

以匀速直线运动为例，设计了基于距离的目标跟踪算法，即状态量为X、Y轴的位置和速度，观测值为物体到观测站的距离，具体实现过程见代码