Notes on Kalman Filter (KF, EKF, ESKF, IEKF, IESKF)

本文介绍了卡尔曼滤波器（KF）这一强大的数学工具，广泛应用于各个领域的状态估计，包括同时定位与地图构建（SLAM）。本文深入介绍了卡尔曼滤波器及其几种扩展：扩展卡尔曼滤波器（EKF）、误差状态卡尔曼滤波器（ESKF）、迭代扩展卡尔曼滤波器（IEKF）和迭代误差状态卡尔曼滤波器（IESKF）。每种变体都经过了仔细的研究，详细推导了它们的数学公式，并讨论了它们各自的优缺点。通过全面介绍这些技术，本文旨在为它们在SLAM中的应用提供有价值的见解，并增强对复杂环境下状态估计方法的理解。

介绍Kalman Filter及其扩展在SLAM中的应用，探讨它们的优缺点和数学公式推导。

介绍Kalman Filter的基本原理和数学公式，并详细探讨其扩展形式，如EKF、ESKF、IEKF和IESKF的优缺点和数学公式推导。

论文详细介绍了Kalman Filter及其扩展形式在SLAM中的应用，重点探讨了各种扩展形式的优缺点和数学公式推导。论文还介绍了现有数据集和开源代码，并提出了未来研究的方向。

与该论文相关的研究包括： 1. A Survey of Simultaneous Localization and Mapping with Autonomous Robots 2. Monocular Visual-Inertial SLAM: Continuous Preintegration and Reliable Outlier Rejection