fix：2.无人驾驶系统的定位方法以及传感器的应用，卡尔曼滤波 (#45)

智能无人系统/2.无人驾驶系统的定位方法以及传感器的应用.md

@@ -450,6 +450,21 @@ $s(a,b) = 1-\frac{1}{W}\|a-b\|_1$ , 其中范数取 L1 范数，即各元素绝
 > $R$ : 观测噪声的协方差矩阵
 > $z_k$ : 测量值
 
+#### 问题
+
+已经算出最优估计值，为什么还要计算最优估计值的误差
+- 权重分配：在卡尔曼滤波器的更新步骤中，需要将估计值与新的观测值结合起来
+- 误差量化：误差协方差提供了估计值的不确定性的量化度量
+
+协方差是用来描述什么的，在我们之前的例子中，预测噪声是由什么引起的
+- 预测误差协方差
+  - 表示预测状态估计的不确定性
+  - 它反映了状态估计值与真实状态值之间可能的差异程度
+- 观测噪声协方差：表示观测值与其真实值之间的不确定性
+  - 这通常是由传感器噪声引起的 (观测噪声)
+- 过程噪声协方差：在状态转移模型中，表示系统动态或过程模型本身的不确定性
+  - 由于系统状态在运动过程中产生的随机干扰 (过程噪声)
+
 ### 扩展卡尔曼滤波
 
 基本思想：扩展卡尔曼滤波的本质是使用线性变换来近似非线性变换
@@ -465,3 +480,8 @@ $s(a,b) = 1-\frac{1}{W}\|a-b\|_1$ , 其中范数取 L1 范数，即各元素绝
 > $J_A$ 与 $J_H$ : 代替线性系统中的状态转移矩阵和观测矩阵
 > $Q$ : 过程噪声的协方差矩阵
 > $R$ : 观测噪声的协方差矩阵
+
+### 无损卡尔曼滤波
+
+基本思想
+- 近似概率分布要比近似非线性函数更容易