对于无人驾驶系统而言，多传感器已经是默认配置
一个简单的感知反馈模型其实只有两步：状态预测与测量更新
在多传感器条件下，各传感器之间想要同步反馈速度其实并无必要。每个传感器异步地参与感知反馈
在任何时间，只要收到传感器的数据，就会触发一次测量更新
这个过程中，会一直使用KF预测和KF更新
Extended Kalman Filter 扩展卡尔曼滤波
EKF(Extended Kalman Filter）是卡尔曼滤波的非线性版本。原本的卡尔曼滤波假设被Prediction(Estimate)服从高斯分布，且Measurement(Noisy)也服从高斯分布。但是现实状态中，基本都是非线性变换（简单说就是因为现实中被测物体多半处于受力状态，比如摩擦力）。所以EKF利用泰勒展开用局部的线性系统接近整个非线性系统。
少量更新 以示回归~
最近在Coursera上多了4门无人驾驶的课程，University of Toronto’s Self-Driving Cars Specialization。打算下周先试水一下《Introduction to Self-Driving Cars》。之前一直在Udacity看的Self-Driving Cars Nanodegree program. Udacity也太贵了点…
