间接（错误状态）卡尔曼滤波器：错误状态的传播
indirect (error state) kalman filter: propagation of error state
我正在研究错误状态卡尔曼滤波器，以使用 IMU 数据进行状态传播和基于视觉的测量进行更新来估计飞行器的位置和方向。
所以对于我 know/understood 来自 "Quaternion kinematics for the error-state KF" 的内容：
我有标称状态 x 和错误状态 delta x。 x 是使用我的 IMU 测量传播的。 F 和 H 矩阵是根据错误状态而不是完整状态定义的。不传播错误状态。
delta x第一次在更新的步骤中计算，使用：
delta x = K(y - h(hat(x))) --> 错误状态独立于任何错误状态的先前估计
据我了解，这是第一次计算delta x，在它被用于在正常状态下注入错误状态后，它被重新设置为零.
因此据我了解，我们不需要 predict/propagate 错误状态，因为我们没有关于错误的信息，因此它是用零启动的，错误状态将始终 return 零.
协方差矩阵显然必须随着误差的增长而更新。
错误状态在预测步骤中没有预测，只在更新步骤中使用，是否正确？
是的 - 完全正确。在您处理测量并计算 delta-x 之后，误差值将合并回整个状态 x。然后 delta-x 在用于下一组测量之前被清零。
我正在研究错误状态卡尔曼滤波器，以使用 IMU 数据进行状态传播和基于视觉的测量进行更新来估计飞行器的位置和方向。
所以对于我 know/understood 来自 "Quaternion kinematics for the error-state KF" 的内容： 我有标称状态 x 和错误状态 delta x。 x 是使用我的 IMU 测量传播的。 F 和 H 矩阵是根据错误状态而不是完整状态定义的。不传播错误状态。
delta x第一次在更新的步骤中计算，使用：
delta x = K(y - h(hat(x))) --> 错误状态独立于任何错误状态的先前估计
据我了解，这是第一次计算delta x，在它被用于在正常状态下注入错误状态后，它被重新设置为零.
因此据我了解，我们不需要 predict/propagate 错误状态，因为我们没有关于错误的信息，因此它是用零启动的，错误状态将始终 return 零. 协方差矩阵显然必须随着误差的增长而更新。
错误状态在预测步骤中没有预测，只在更新步骤中使用，是否正确？
是的 - 完全正确。在您处理测量并计算 delta-x 之后，误差值将合并回整个状态 x。然后 delta-x 在用于下一组测量之前被清零。