今のところざっと見ただけなので見逃したかもしれませんが、プロセスノイズ行列Qをどこからともなく引っ張り出したように見えました。本にはちゃんと説明されていると思いますが、なぜそのエントリーがそうなるのかの理由があるといいですね。

「さらに、これは状態推定の不確実性を最小化する最適なアルゴリズムです。」というところから始まります。チュートリアルの最後にはこれがどういう意味か理解できましたが、「最適なアルゴリズム」という言葉は私にはあまり馴染みがない曖昧な用語です（カルマンフィルターを仕事で使っているにも関わらず）。数学に入る前にこの用語を簡単に説明すると良いかもしれません。私の理解が正しければ、これがこの手法の重要な特徴ですから。

まず、全体的に明確さは良いと思います。最初に説明しておくべきだと思うのは、あなたが説明している部分の中で、どれがシステムのモデルで、どれがカルマンフィルターなのかということです。状態行列のマルコフモデルを構築しているときについていけていたのですが、それをカルマンフィルターと呼んだとき、まだカルマンフィルターを構築していないと思いました。フィルターの初期の説明（不確実性の下でシステムの状態を推定する方法として）は素晴らしかったですが、方程式を紹介したときに、それがフィルターだとはっきり理解できていなかったと思います。伝わるといいのですが。

あなたの製品のライン拡張をして、「金融市場におけるカルマンフィルター」みたいなものを作って、追加のコピーを販売するのもいいかもしれませんね :)

他のカルマンフィルターのリソースはあまり見ていませんが、この本は非常に詳細で、買いたくないならおすすめです。ほとんどの線形カルマンフィルターの内容は無料で手に入りますよ: https://kalmanfilter.net/kalman-filter-tutorial.html

それはいい質問だね。サイトの目標は、できるだけ多くの資料を無料で提供することだったし、基本的な線形カルマンフィルターの内容は確かに無料でアクセスできるよ。本は、チューニングや実用的な設計の考慮点、よくある落とし穴、追加の例など、さらに深く掘り下げてる。でも、リンクしてくれたように、いい無料リソースはたくさんあるよ。

ロジャー・ラベの本やJupyterノートブックには大賛成！カルマンフィルターを理解するのに本当に役立ったし、一般的な問題やその問題に対するさまざまなアプローチも学べたよ。

カルマンフィルターに関する良いリソースはあまりないね。実際、僕が良いと思えるのは一つだけ見つけた。それは、カルマンフィルターを新たに理解するために多くの時間をかけた人のものだよ。

そのリンクはクラシックだね！

いい記事だね。あそこにあるビジュアルアプローチも好きだよ。私の目標はちょっと違ってて、具体的なレーダーの例をステップバイステップで説明して、チュートリアル全体で複数の例を使って直感を育てたり、よくある落とし穴を強調したりしてるんだ。

人々はOPのような「シンプル」な説明を過剰に複雑にしがちだと思う。基本的に、カルマンフィルターは「推定器」という大きなクラスの一部で、入力データを受け取って、真の測定値を見つけるために追加の処理を行うんだ。非常に基本的な推定器であるローパスフィルターも「推定器」の一つで、高周波ノイズを排除して、実質的には移動平均を提供する。でも、これはプロセスに特定の周波数のノイズがあると仮定している静的なフィルターで、それ以下のものは測定された変数の実際の変化だと考えている。推定器をもっと良くすることもできるよ。例えば、プロセス変数がどう振る舞うべきかのアイデアがあるとする。非常にシンプルな例として、温度を測定していて、現在の測定値があって、温度の変化がコイルに流れる電流に関連していることがわかっているとしよう。その関係をプロセスのモデルに取り込むことができて、実際の温度の測定と並行して動くんだ。これで、ノイズのある温度読み取り値、予測値（平均のように機能する）、そしてノイズの共分散を計算できるようになる。それを使ってローパスフィルターのパラメータを調整することができる。だから、何らかの理由でノイズの周波数が変わった場合でも、フィルターは調整して対処できる。カルマンフィルターはその上の強化版で、プロセス変数間の相関を捉え、直接測定できない変数を更新するために測定値を使う機能が追加されている。例えば、位置と速度が相関している場合、GPSからの位置の精密な測定があれば、速度を測定していなくても（内部モデルに基づいて速度を計算しているので）速度の精密な測定も修正される。これがちょっと混乱する理由は、基本的に行列線形空間で動作するからで、他のツールと連携してさらなる分析を行うために設計されているんだ。線形代数に制限されると、ガウスノイズプロファイルを仮定し、プロセス依存性を共分散測定として推定しなければならない。でも、カルマンフィルターはノイズ除去のすべてではないよ。非線形の方法であれば、どんな推定もできる。例えば、僕は航空機の自動ブレーキシステムを設計したんだけど、特定のブレーキ力コマンドを追跡するためにサーボを使ってブレーキペダルを押すように指示するんだ。カルマンフィルターの代わりに、システムでテストを行って、(位置、圧力、サーボ速度) -> 新しい圧力の4次元マップを作成し、それを逆にして目標の新しい圧力に必要な速度を得たんだ。だから、プロセスの推定は基本的にサーボを特定の速度で動かすように指示し、圧力を得て、位置、既存の圧力、圧力エラーを使って新しい速度を計算する、という感じだった。

カルマンフィルターは魔法じゃないし、良いパフォーマンスには合理的なモデルが必要だってことには同意するよ。高いサンプリングレートは、特に速いダイナミクスを追跡したり、繰り返し更新して測定ノイズを減らしたりする場合に役立つことがあるけど、カルマンフィルターの主な強みは、ノイズのある測定とモデルを組み合わせることなんだ。必ずしも高いサンプリングレートに依存するわけじゃない。実際には、モデルがシステムのダイナミクスを適切に捉えていれば、比較的低いレートの測定でもうまく機能することがあるよ。システムに組み込むべきものだってことにも同意する。

うん、もっと堅牢な方法で得られる精度が無理な場合を除いて、使わないようにしてる。センサーが予期しない変な値を出すと、突然取り返しがつかない失敗をすることが多いから。実際にそういうことはよく起こるんだよね。

それは全体的なサンプルレートの結果だね。線形制御空間全体は周波数領域に密接に結びついているから、正確にキャッチするためには、最高周波数のイベントの少なくとも2倍のレートでサンプリングしなきゃいけないんだ、ナイキスト定理によると。そういうことは業界で使われているよ。特に航空機のようなものは、制御法則が線形であることを証明する必要があるからね。実際には、非線形制御に入ると、もっといろんなことができる。大学で行った研究プロジェクトでは、自律型の水中グライダーがあって、浮上しないとGPSロックができなくて、ひどいMEMS IMU制御に頼らざるを得なかったんだ。実際、制御のためにニューラルネットワークを提案したんだけど、「ニューラルネットはブラックボックスだから」と却下された（笑）。