首先看了DR_CAN老师的视频，做了一个简单的笔记，按照思路编写了样本代码，这里主要使用卡尔曼滤波进行数据融合。
视频地址： https://www.bilibili.com/video/bv 12 D4 y1 s7fu
数据集成Date Fusion
在此，从一例开始，用“两个名称”称呼同一物体，得到两个结果的第一个名称结果是30g，第二个名称结构是32g。
因为两者都不准确，所以有误差。 第一个被称为标准偏差是2g。第二个标准偏差是4g。 而且都符合正态分布，也叫清洁店员分布。
在数学上表述如下
第一个称呼
第二个称呼
接下来，我们来看看两个输出的概率分布； 第一个是服从正态分布，标准差为2g； 所以他在28g到32g之间的概率是68.4%。
二是服从正态分布，标准差为4g； 所以他在28g到36g之间的概率是68.4%。 相对于第一个，因为标准偏差很大，所以看起来又矮又胖。
现在，需要使用这两个结果，“估算真实值”。 怎么估算呢？
感觉上介于这两个称谓结果之间，且初始称谓偏差较小，真实结果接近初始称谓结果。
在数学上找到了最优值，采用了卡尔曼算法。 如果将估计值设为，则为
其中k是dbdzfj； 其范围为0到1，即[ 0，1 ]。
目的求出k，使得估计的基准最小，也就是说使估计的方差最小。
设想：估计值、估计值标准偏差、估计值的方差Var (。
估计值方差=
备注：红蓝两部分相互独立，可单独取出；
要求出估计值方差的最小值，需要导出k，并将其设为0。 要确定极值，请执行以下操作：
根据以上求出推测值的方差，进行导出如下。
也就是说：
整理后得到：
那么，在这里求k。 该k的值为估计值方差的最小
然后代入数据，
第一种称谓解释：称为30g，标准差为2g。
第二种称谓解释：称为32g，标准差为4g。
首先求出k值dbdzfj，
然后计算估计值，
最后更新估计的方差，
然后，估计值的标准偏差为1.79。
Python版的伪代码：
“”卡尔曼滤波器——数据融合“# dbdzfj=误差对应方差(除以数据1的误差数据2的误差)！ EFKalman_gain(E1，e2 ) :returnE1/) E1E2) #估计值=数据1的估计系数* )数据2的测量值-数据1的估计值) defnow_estimated_value ) xxee k X2 ) :returnx1k(x2-x1 )更新估计误差=(1-dbdzfj )数据1的估计误差dbdzfj*数据2的估计误差defnow_estimated_error(k，e1，e2 ) 33336666
这篇文章只提供参考和学习。 谢谢你。