Kalman Filter,一言以蔽之,就是对一种按照某种固定方式变化的系统,用最优的方法去估计这个系统中某个状态的值。R.E. Kalman的贡献,一方面是证明了他提出的方法是“最优”的这件事,另一方面则是完善了一整套理论去分析这种“按照某种固定方式的系统”。这里说的“按照某种固定方式的系统”,在飞机上,可以是飞机的速度、位置,也可以是飞机上某个零件的温度、压力;在机器人上,可以是一个小车的速度、位置,也可以是一个无人车周围的障碍物;在金融上,可以是股票的走势,也可以是某个公司的营收情况;在经济学上,可以是整个经济体的增长率,也可以是某种商品的进出口额…… 由于世界上很多变化的事物,都可以抽象成“按照某种固定方式的系统”,而且人们都有估计这些事物的“状态”的需求,并且无数应用证明Kalman Filter在这些情况下都是适用的,因此Kalman Filter能够满足人们的需求。能够估计系统中某个状态的值之后,那能干的事情就多了。谈论机器人的例子(EKF-SLAM)可能有点抽象,我们来说个金融的例子。如果我设计了一个Kalman Filter能够估计股票的走势,那么我就可以提前判断出股票明天是涨是跌,我可能判断不了更久以后的情况,但是只多判断一天,我也已经可以通过高频交易的方式挣到钱了(我只是根据知乎网友的说法推断一下,毕竟我不是做金融的)。此外,我们还能在很多学科和领域里发现“状态估计”的重要性。