三维非线性状态量的EKF（扩展卡尔曼滤波），几乎每一行都有中文注释，方便初学者上手。
文章目录
- 代码说明
- 绘图
代码说明
状态变量：x 表示三维状态，包括位置和速度。
协方差矩阵：P 用来表示估计的不确定性。
过程和观测噪声：Q 和 R 是噪声的协方差矩阵，影响滤波的准确性。
状态转移函数：f 用于描述系统的动态模型。
观测模型：h 用于将状态转换为观测值。
主循环：包含预测和更新步骤，循环进行状态估计。
绘图
三轴状态曲线：
三轴状态误差：
输出：
该内容讲解了如何使用卡尔曼滤波进行电池状态（SOC）的估计，主要包括以下几个部分：
初始化参数：
x: 初始状态变量，表示SOC的初始估计（50%）。
P: 初始协方差矩阵，表示对初始状态的不确定性。
Q: 过程噪声协方差，假设过程噪声较小。
R: 观测噪声协方差，表示观测过程中的不确定性。
数据生成：
true_SOC: 生成一个从0%到100%的真实SOC变化序列。
measurements: 在真实SOC基础上添加随机噪声，模拟实际观测值。
存储估计结果：
estimates: 用于存储每个时间步的SOC估计值。
卡尔曼滤波循环：
预测步骤：假设SOC在没有过程噪声的情况下保持不变，并更新协方差矩阵。
更新步骤：根据观测值计算卡尔曼增益，更新状态估计和协方差矩阵。## 部分代码
