卡尔曼公示的推导，重点是看K怎么推导

在卡尔曼滤波中，卡尔曼增益（Kalman Gain，通常记为 $ K $）是滤波器的核心部分，用于在预测和观测之间进行权衡。下面我将详细推导卡尔曼增益的公式，并解释其意义。

1. 观测矩阵本身目的就是将预测向量转成观测量观测的量，预测状态里面非观测向量部分都需要转成0，就是将矩阵分块的非观测量部分都变成0

2. 所以，在观测的更新状态量部分，只能更新观测量观测的部分，因为其他部分都是0，所以不能更新状态量，但是此时K是最优权重，cov更新后，会减小。预测更新的基础是预测，整个卡尔曼滤波是基于预测，使用观测进行调整。所以，当K就是观测部分的权重，1-K是预测部分权重

卡尔曼滤波的基本模型

卡尔曼滤波基于以下两个方程：

状态转移方程（预测模型）：
$
x_k = F x_{k-1} + B u_k + w_k
$
其中：
- $ x_k $ 是时刻 $ k $ 的状态向量；
- $ F $ 是状态转移矩阵；
- $ B u_k $ 是控制输入（可选，简化时可忽略）；
- $ w_k $ 是过程噪声，假设为高斯白噪声，均值为 0，协方差为 $ Q $。
观测方程：
$
z_k = H x_k + v_k
$
其中：
- $ z_k $ 是观测向量；
- $ H $ 是观测矩阵；
- $ v_k $ 是观测噪声，假设为高斯白噪声，均值为 0，协方差为 $ R $。

卡尔曼滤波的目标是通过预测和观测的结合，找到状态 $ x_k $ 的最优估计 $ \hat{x}_{k|k} $。

卡尔曼滤波的步骤

卡尔曼滤波分为两步：

预测步骤：
- 先验状态估计：$ \hat{x}{k|k-1} = F \hat{x}{k-1|k-1} + B u_k $；
- 先验协方差：$ P_{k|k-1} = F P_{k-1|k-1} F^T + Q $。
更新步骤：
- 后验状态估计：$ \hat{x}{k|k} = \hat{x}{k|k-1} + K_k (z_k - H \hat{x}_{k|k-1}) $；概念公式，状态就是预测和更新的加权平均值
- 卡尔曼增益：$ K_k $（待推导）；
- 后验协方差：$ P_{k|k} = (I - K_k H) P_{k|k-1} $。

其中 $ K_k $ 是卡尔曼增益，决定了观测残差 $ (z_k - H \hat{x}_{k|k-1}) $ 对状态估计的修正程度。

卡尔曼增益的推导

卡尔曼增益的推导目标是找到一个 $ K $ 值，使得后验估计 $ \hat{x}{k|k} $ 的误差协方差 $ P{k|k} $ 最小。具体来说，我们希望最小化估计误差的期望平方，即优化一个均方误差准则。

1. 定义后验估计

后验估计是预测值和观测残差的加权组合：

下面的公式是一切的来源，目的就是求出一个K，使得x最优，原理是贝叶斯原理

下面用的是预测的状态残差进行最优权值估计的

$
\hat{x}{k|k} = \hat{x}{k|k-1} + K_k (z_k - H \hat{x}_{k|k-1})
$
其中：

$ z_k - H \hat{x}_{k|k-1} $ 是观测残差（innovation），表示观测和预测之间的差异。

代入观测方程 $ z_k = H x_k + v_k $：预测状态$ x_K $左乘转换矩阵，下面的$ \vec{x}{k|k-1}$是残差
$
z_k - H \hat{x}{k|k-1} = H x_k + v_k - H \hat{x}{k|k-1} = H (x_k - \hat{x}{k|k-1}) + v_k
$
因此：目的，将 $z_k$