1 .估计标准一般估计标准如下：
无偏估计：也就是说，假设状态的估计值等于真实值的平均值。 最犹豫的自行车估计：直接通过最犹豫的自行车乘法获得最佳估计，而不考虑数据的统计特性，如期望、方差等。 误差方差最小：在满足最犹豫的自行车骑行估计的同时，使估计的误差方差最小。 在提前知道测量数据噪声方差的前提下，该约束可以通过一系列等效推导得到。
简单地说，为了满足误差方差最小，误差平方和需要最小，反之不成立。 无偏估计是最基本的假设。
原文链接： https://blog.csdn.net/qinruiyan/article/details/50793114 .经典最犹豫的自行车乘法(Ordinary Least Square，OLS )这个方法
3 .最犹豫加权的自行车骑行估计(Weighted Least Square，WLS )假设在经典最犹豫的自行车骑行中，每个测量的权重都是相同的，但实际上它是不合理的。 如果某个估计大大偏离真值，或者估计的不确定性较大，则其对估计结果的影响应该减弱，相反影响应该加强。 加权最犹豫的自行车骑行者就是要做这样的事。
4 .递归最犹豫的自行车估算(Recursive Least Square，RLS )迄今为止最犹豫的自行车估算是批处理的，这种方法需要大量的存储器来存储所有的历史数据，计算量很大。 另外，这不符合动态系统状态估计的需要，每次接收新的测量值时，都需要重新计算整个模型，无法进行在线估计(Online )。做成递推形式后，能够降低对存储的要求，每次新数据进来后计算量都是相同的，不会逐渐升高。能够实现在线估计。
5 .卡尔曼滤波器(Kalman Filter，KF ) KF是LS的特殊情况。 和递归最犹豫的自行车骑行者一样，卡尔曼滤波器考虑了系统内部的变化。 也就是说，使用process model预测系统下一个时刻的状态。
6.Kalman Filter和RLS的差异RLS实际上是KF的update step，这个步骤都是利用测量估计的。 KF中添加了另一个prediction step是因为KF需要空间-状态模型支持，这样KF就可以在不使用测量的情况下预测状态。
在下图中，深蓝色实线为推测值，浅蓝色点为测定值，红色虚线为误差边界。
(https://www.quora.com/how-does-a-Kalman-filter-differ-from-recursive-least-squares )
RLS只有在有测量更新的情况下才能进行估计更新，而KF在没有测量更新的情况下，实际上可以用模型导出。