首先确定状态维度与测量量维度，以4维度$(x，y，vx，vy)$为状态量例子，以2维度$(x,y)$为测量量例子
然后创建协方差矩阵Q与R，这两个矩阵是调参的主要矩阵，优劣很大程度取决于QR参数的选取。
Eigen::MatrixXd Q(4, 4); Eigen::MatrixXd R(2, 2);
Q << 0.1, 0, 0, 0,
0, 0.1, 0, 0,
0, 0, 0.1, 0,
0, 0, 0, 0.1;
R << 0.1, 0,
0, 0.1; 再然后创建控制量矩阵B，如果没有控制，让控制向量u为0向量即可
Eigen::MatrixXd B = Eigen::MatrixXd::Zero(4,1);
Eigen::VectorXd u = Eigen::VectorXd::Zero(1); 如果是有控制量，假如是匀加速或者匀减速运动模型，为了方便，假设x y方向加速度一致，即u就为加速度量a；如果不一致u就是2x1的向量，x方向加速度与y方向加速度
Eigen::MatrixXd B(4,1);
B << 0.5 * pow(t, 2), 0.5 * pow(t, 2), t, t;
Eigen::VectorXd u = Eigen::VectorXd::Zero(1);
u(0,0) = 1; 构造卡尔曼类，并初始化
auto kf = std::make_shared<proj_kalman::KalmanFilter>(4, 2, 0, Q, R, B);
Eigen::VectorXd x_0 = Eigen::VectorXd::Zero(4);
kf->init(x_0); 在循环中不断进行预测与更新
for (int i = 0; i < iter; i++) {
Eigen::VectorXd x_p_k = kf->predict(u, t);
Eigen::VectorXd x_k = kf->update(z_k);
}
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent