声明：【贝叶斯滤波与卡尔曼滤波】系列是博主对B站up主：忠厚老实的老王所分享教学内容的学习笔记，并且该系列每篇博客都会将博主听课后总结的纸质版笔记附于文末，供大家参考。
B站up主：忠厚老实的老王是一位研究汽车领域，无人驾驶方向及其相关方向的大佬，也算是博主在无人驾驶方向的启蒙老师。所以研究相关领域的朋友推荐去听一听他的视频讲解。
贝叶斯滤波与卡尔曼滤波是一个十分重要的理论知识，应用广泛，许多不同的研究领域都在使用，如汽车领域，航空航天领域、金融领域、机器学习、电池的SOC估算等等。
正因其应用广泛，对于初学者而言，想要找到一篇不专门针对固定领域来讲解贝叶斯滤波与卡尔曼滤波的文章较为困难。因此【贝叶斯滤波与卡尔曼滤波】系列会从源头上，原理上讲解清楚贝叶斯滤波与卡尔曼滤波，使得真正清晰的理解和使用卡尔曼滤波。
一、应用领域
- 汽车：
（1） 无人驾驶感知算法（传感器融合）
（2） 轨迹跟踪控制 - 电池：SOC估算—电池电量剩余“～%”（估算出的）
- 航空航天：卡尔曼提出起源
- 金融：股票涨跌，如何决策
- 机器学习：决策、推理
二、卡尔曼滤波理论价值及学习难度
贝叶斯滤波和卡尔曼滤波是一个非常重要的理论知识，许多不同的研究领域都在使用。
其应用广泛：
好处在于理论价值极高，需要引入其他领域作为补充会较为容易。
坏处在于因为其应用广泛，所以市面上有大量的技术博客或者科普文章讲解贝叶斯滤波和卡尔曼滤波。但正因为其应用太广泛，需求太多，大量的博客文章对于初学者或不同领域的的研究者不太友好。一方面是文章中互相的符号解释过于混乱，另一方面是因为应用广泛，不同的人会用不同的背景讲解介绍。因此导致看到都是介绍贝叶斯滤波和卡尔曼滤波的文章，但内容却千差万别。
有的文章讲解的很难，其中存在大量的术语：
HMM——隐马尔科夫模型
MCMC——马尔可夫—蒙特卡罗方法
MAP——最大后验估计
LMS——最小均方差估计
有的文章讲解的比较简单，导致自己应用到自己的研究领域中还是一知半解的状态。
三、系列讲解内容及顺序
学习基础：概率论
注：博主笔记
