算法与计算机科学bzarg.com编辑精选
图解卡尔曼滤波工作原理
How a Kalman filter works, in pictures
2015 — 2021，它一次次回到首页
黑点是上首页（≥ 50 分）的那次投稿，空心点是没冲上去的投稿，点越大分数越高。
导读
这是 Tim Babb 写的一篇用图示讲解卡尔曼滤波器的经典教程：从一维的位置/速度例子出发，用颜色直观地展示「预测」与「更新」两步如何交替进行，再逐步引出多维情形下的矩阵形式。它刻意绕开繁琐的公式推导，用图和具体数值让读者建立对核心思想的直觉——用带不确定性的预测去融合带噪声的测量。
为什么经久不衰：它把卡尔曼滤波从一堆矩阵公式变成一眼能看懂的图，是无数工程师入门状态估计的第一站，十年来在 Hacker News 上反复被推荐。
HN 评论精选
补充阿波罗计划的历史背景，并给出 Go 语言实现代码。
几年前我在博客里写过卡尔曼滤波器是如何为阿波罗计划而开发的，之后又用 Go 写了它的几种变体的实现。
gyre007查看英文原文
Couple of years ago I blogged about how it was developed for the Apollo program [1] and then I wrote an implementation of different variations of it in Go [2]. [1] https://cybernetist.com/2019/01/13/apollo-kalman-filter-and-go/ [2] https://github.com/milosgajdos/go-estimate
从零推导才能看透本质：卡尔曼滤波本质上是凸代价函数的最小化。
在传感与估计课上我做过的最好的练习，就是从零推导卡尔曼滤波器。它其实只是为最小化一个凸代价函数而做的一系列步骤，而这个代价函数是给定数据下测量的逆似然。有人开玩笑说，整个传感与估计（以及路径规划和最优控制）都不过是应用凸最小化。
jvanderbot查看英文原文
The best exercise I had in our sensing & estimation class was to derive the Kalman filter from 'scratch'. It's actually just the series of steps used to perform a minimization of a convex cost function, where the cost function is the inverse likelihood of the measurements given the data. Someone once joked that all of sensing and estimation (and path planning and optimal control) is just applied convex minimization.
通过递归线性回归理解卡尔曼滤波，动态贝叶斯网络是其更一般的超类。
让我真正开窍的，是推导老式线性回归的递归形式。线性回归可以一次处理一个数据点，也可以整批处理，虽然我记不清两者是否完全等价（因为有递归状态），但结果本质上是一样的。动态贝叶斯网络是卡尔曼滤波的超类，做数据处理的人值得把它放进工具箱。
6gvONxR4sf7o查看英文原文
Where KFs finally clicked for me was in deriving the recursive form of good old fashioned linear regression. You can do linear regression a data point at a time, or a batch at a time, and while I can't remember if it works out to exactly the same thing (because of the recursive state), it works out to essentially the same. Dynamic bayesian networks are a superclass of KFs and they're a great thing to have in your tool kit if you work with data.
推荐可交互、能在浏览器里动手实验的 Notebook 教材。
我就厚着脸皮推荐自己写的那本卡尔曼滤波书，用 IPython Notebook 写的，可以在浏览器里直接做实验。
RogerL查看英文原文
I'll be shameless and point you to my book on Kalman filtering which I wrote in IPython Notebook, which allows you to experiment within your browser. https://github.com/rlabbe/Kalman-and-Bayesian-Filters-in-Python
历次讨论
同类还值得读
位运算技巧集
Bit Twiddling Hacks
斯坦福页面上的经典位运算技巧合集，收录了 popcount、前导/尾随零、位反转、交换、舍入等大量技巧，并附有解释和性能讨论。
算法与计算机科学上首页 8 次 · 2011–2024graphics.stanford.edu编辑精选如何不按平均评分排序
How Not To Sort By Average Rating
经典文章解释了为什么按平均评分排序不可靠：只有少量评价的条目（比如仅一条五星）会轻易排到最前，而评价数量的差异被忽略。
算法与计算机科学上首页 7 次 · 2009–2024evanmiller.org编辑精选数据结构可视化
Data Structure Visualizations
旧金山大学 David Galles 教授制作的数据结构与算法交互式可视化网站，涵盖 B 树、红黑树、排序、图算法等，可逐步操作观察其运行过程。
算法与计算机科学上首页 6 次 · 2011–2021cs.usfca.edu编辑精选1996 年以来的计算机科学最佳论文奖
Best Paper Awards in Computer Science since 1996
Jeff Huang 维护的一个汇总页面，收录了自 1996 年以来计算机科学各主要会议的“最佳论文奖”获奖名单，并按年份和会议整理，方便读者一站式浏览历届获奖论文。
算法与计算机科学上首页 6 次 · 2010–2018jeffhuang.com编辑精选算法（Jeff Erickson）
Algorithms, by Jeff Erickson
伊利诺伊大学 Jeff Erickson 教授的算法课教材，免费在线开放。
算法与计算机科学上首页 5 次 · 2018–2022jeffe.cs.illinois.edu编辑精选