Bom livro ou referência para aprender Kalman Filter

Eu sou totalmente novo no filtro Kalman. Eu tive alguns cursos básicos em probabilidade condicional e álgebra linear. Alguém pode sugerir um bom livro ou qualquer recurso na Web que possa me ajudar a entender a operação do Kalman Filter?

A maioria dos sites começa diretamente com a fórmula e o que eles significam, mas estou mais interessado em sua derivação ou, se não em detalhes, derivar, pelo menos, o significado físico de cada operação e parâmetro.

Muitos anos atrás, escrevi este tutorial sobre o filtro Kalman. Ele deriva o filtro usando a abordagem de matriz convencional, além de mostrar suas suposições estatísticas como um filtro de mínimos quadrados 'ideal'.

Esta parece ser uma boa redação do filtro Kalman.

Eu também estava procurando um livro, o melhor para cobrir o básico necessário para aprender e implementar a filtragem kalman na situação da vida real. Até agora, finalizei minha escolha para isso:

Fundamentos da filtragem de Kalman: uma abordagem prática (progresso em astronáutica e aeronáutica) por Paul Zarchan

Eu acho que deveria ser esse e eu estou pedindo agora. :)

Uma boa série de vídeos do YouTube em três partes (~ 10 minutos cada) fornece uma compreensão intuitiva do filtro Kalman.

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

Uma coisa a observar é que existem várias maneiras de derivar as equações do Filtro Kalman e cada método fornece uma perspectiva diferente de como ela funciona. Portanto, sugiro que você procure 2 - 3 derivações diferentes para ajudá-lo a internalizar esse algoritmo.

Recentemente, Mandic, Danilo P. e Kanna, Sithan e Constantinides, Anthony G. publicaram " Sobre a relação intrínseca entre os filtros menos quadrado médio e Kalman" " na revista IEEE Signal processing:

O filtro Kalman e o filtro adaptativo do quadrado mínimo médio (LMS) são dois dos algoritmos de estimativa adaptativa mais populares que são frequentemente usados ​​de forma intercambiável em diversas aplicações de processamento estatístico de sinais. Eles são normalmente tratados como entidades separadas, sendo o primeiro uma realização do estimador Bayesiano ideal e o segundo uma solução recursiva para o problema ideal de filtragem Wiener. Nesta nota de aula, consideramos uma estrutura de identificação do sistema na qual desenvolvemos uma perspectiva conjunta sobre filtragem de Kalman e algoritmos do tipo LMS, alcançada através da análise dos graus de liberdade necessários para a adaptação ideal da descida do gradiente estocástico. Essa abordagem permite a introdução de filtros de Kalman sem nenhuma noção de estatística bayesiana,

Um livro muito bom para aprender a teoria de Kalman e a implementação usando o MATLAB está aqui

O melhor recurso é a página da Wikipedia na minha opinião. Aqui está uma implementação mínima e simples do Kalman Filter com as mesmas notações fornecidas na página da Wikipedia: https://github.com/zziz/kalman-filter