0:00:00.000,0:00:05.000
カルマンフィルタでは観測と動作を反復します

0:00:05.000,0:00:10.000
これは観測更新と予測と呼ばれます

0:00:10.000,0:00:12.240
観測更新では積や掛け算を使う

0:00:12.240,0:00:16.440
ベイズの定理が用いられます

0:00:17.000,0:00:22.450
こちらの更新では[br]畳み込みにより全確率が使われます

0:00:23.800,0:00:25.720
簡単に言うと足し算です

0:00:27.000,0:00:31.360
まずは観測サイクルについて話してから

0:00:32.630,0:00:34.500
予測サイクルを説明します

0:00:35.100,0:00:40.140
非常に優れたガウス分布を用いて

0:00:40.140,0:00:42.900
これらの方法を実行します

0:00:44.000,0:00:47.000
他の乗り物の位置を突き止めているとしましょう

0:00:47.000,0:00:50.000
事前分布はこのようなものです

0:00:50.000,0:00:55.000
非常に幅が広いガウス分布で平均はここです

0:00:55.000,0:00:58.000
ある観測をしたとします

0:00:58.000,0:01:03.000
乗り物の位置推定についてで[br]分布はこのようなものです

0:01:03.000,0:01:05.660
μと呼ばれる平均があります

0:01:07.000,0:01:11.000
この例は観測において[br]より小さな共分散を持ちます

0:01:11.000,0:01:16.000
事前では位置推定に[br]あまり確信が持てないという例です

0:01:16.000,0:01:21.000
しかしこれは乗り物の位置について[br]かなりのことを教えてくれます

0:01:21.000,0:01:23.000
ここで問題です

0:01:23.000,0:01:26.850
次に続くガウス分布の新しい平均は

0:01:26.850,0:01:29.850
この位置になるでしょうか

0:01:31.000,0:01:35.000
それともこの2つのどちらかでしょうか

0:01:36.000,0:01:38.560
3つのうちの1つにチェックしてください