机器人 SLAM 滤波SLAM之MSCKF原理解析与源码详解

其实这两个式子描述了两个很简单的东西，下面我细细道来。
第一个式子中

每一个时刻的代号，那么k-1就是上个时刻的代号。\mathbf{x}_{k-1}就表示上一个时刻的状态，其中\mathbf{x}表示的就是小车或者机器人状态,比如位置，方向等。\mathbf{F}_k被称为状态转移矩阵(\; State \; Transition \; Matrix)。它连接上一时刻的状态和当前时刻的状态。我们来举个栗子。如果有小车作一个一维的直线运动，从位置A运动到位置B，我们估计它做匀速直线运动，它的状态包含速度和位置(状态是人为定的，如果你感兴趣我们可以把加速度什么的也包含进去，不过这儿没必要了)，它在k-1时刻的状态记为\mathbf{x}_{k-1} = ( p_{k-1}, v_{k-1})。由于小车做匀速直线运动我们知道他下一时刻的位置和速度可以估计为