Buen libro o referencia para aprender Kalman Filter

Soy totalmente nuevo en el filtro de Kalman. He tenido algunos cursos básicos sobre probabilidad condicional y álgebra lineal. ¿Alguien puede sugerir un buen libro o algún recurso en la web que pueda ayudarme a comprender el funcionamiento del filtro Kalman?

La mayoría de los sitios web comienzan directamente con la fórmula y lo que significan, pero estoy más interesado en su derivación, o si no la derivación detallada, al menos la importancia física de cada operación y parámetro.

Hace muchos años escribí este tutorial sobre el filtro de Kalman. Deriva el filtro utilizando tanto el enfoque de matriz convencional como mostrando sus supuestos estadísticos como un filtro de mínimos cuadrados 'óptimo'.

Esto parece ser una buena reseña del filtro de Kalman.

Estaba buscando un libro también, lo mejor para cubrir los conceptos básicos necesarios para aprender e implementar el filtrado Kalman en situaciones de la vida real. Hasta ahora finalicé mi elección para esto:

Fundamentos del filtrado de Kalman: un enfoque práctico (progreso en astronáutica y aeronáutica) por Paul Zarchan

Creo que este debería ser el indicado y lo estoy ordenando ahora. :)

Una buena serie de 3 videos de YouTube (~ 10 minutos cada uno) proporciona una comprensión intuitiva del filtro de Kalman.

http://www.youtube.com/watch?v=FkCT_LV9Syk .

Una cosa a tener en cuenta es que hay varias formas de derivar las ecuaciones del filtro de Kalman y cada método le brinda una perspectiva diferente de cómo funciona. Por lo tanto, le sugiero que busque entre 2 y 3 derivaciones diferentes para ayudarlo a internalizar este algoritmo.

Recientemente, Mandic, Danilo P. y Kanna, Sithan y Constantinides, Anthony G. publicaron " Sobre la relación intrínseca entre el menor cuadrado medio y los filtros de Kalman " en la revista de procesamiento de señales IEEE:

El filtro de Kalman y el filtro adaptativo de mínimos cuadrados medios (LMS) son dos de los algoritmos de estimación adaptativa más populares que a menudo se usan indistintamente en una serie de aplicaciones de procesamiento de señales estadísticas. Por lo general, se tratan como entidades separadas, con la primera como la realización del estimador bayesiano óptimo y la segunda como una solución recursiva al problema de filtrado de Wiener óptimo. En esta nota de estudio, consideramos un marco de identificación del sistema dentro del cual desarrollamos una perspectiva conjunta sobre el filtrado de Kalman y los algoritmos de tipo LMS, logrados mediante el análisis de los grados de libertad necesarios para la adaptación óptima del descenso del gradiente estocástico. Este enfoque permite la introducción de filtros de Kalman sin ninguna noción de estadísticas bayesianas,

Aquí hay un libro muy bueno para aprender la teoría e implementación de Kalman usando MATLAB

El mejor recurso es la página de Wikipedia en mi opinión. Aquí hay una implementación mínima y simple de Kalman Filter con las mismas anotaciones dadas en la página de Wikipedia: https://github.com/zziz/kalman-filter