Kalman Filter Boot Camp (and State Estimation)

Développez vos compétences avec Coursera Plus pour 239 $/an (habituellement 399 $). Économisez maintenant.

Ce cours n'est pas disponible en Français (France)

Nous sommes actuellement en train de le traduire dans plus de langues. Consultez les langues disponibles.

Kalman Filter Boot Camp (and State Estimation)

Ce cours fait partie de Spécialisation "Applied Kalman Filtering"

Instructeur : Gregory Plett

3 800 déjà inscrits

Inclus avec

4 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

24 avis

niveau Intermédiaire

Expérience recommandée

2 semaines à compléter

à 10 heures par semaine

Planning flexible

Apprenez à votre propre rythme

4 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

24 avis

niveau Intermédiaire

Expérience recommandée

2 semaines à compléter

à 10 heures par semaine

Planning flexible

Apprenez à votre propre rythme

Compétences que vous acquerrez

Catégorie : Statistical Analysis
Catégorie : Probability & Statistics
Catégorie : Time Series Analysis and Forecasting
Catégorie : Simulations
Catégorie : Statistical Modeling
Catégorie : Linear Algebra
Catégorie : Forecasting
Catégorie : Numerical Analysis

Outils que vous découvrirez

Catégorie : Matlab

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Évaluations

28 devoirs

Enseigné en Anglais

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

En savoir plus sur Coursera pour les affaires

logos de Petrobras, TATA, Danone, Capgemini, P&G et L'Oreal

Élaborez votre expertise du sujet

Ce cours fait partie de la Spécialisation "Applied Kalman Filtering"

Lorsque vous vous inscrivez à ce cours, vous êtes également inscrit(e) à cette Spécialisation.

Apprenez de nouveaux concepts auprès d'experts du secteur
Acquérez une compréhension de base d'un sujet ou d'un outil
Développez des compétences professionnelles avec des projets pratiques
Obtenez un certificat professionnel partageable

Il y a 4 modules dans ce cours

Introduces the Kalman filter as a method that can solve problems related to estimating the hidden internal state of a dynamic system. Develops the background theoretical topics in state-space models and stochastic systems. Presents the steps of the linear Kalman filter and shows how to implement these steps in Octave code and how to evaluate the filter’s output.

This week, you will learn what a Kalman filter is and generally what it does. You will be introduced to the roadmap for the course and the specialization, and will learn some applications that use Kalman filters.

Inclus

6 vidéos11 lectures6 devoirs1 sujet de discussion

6 vidéos Total 84 minutes

1.1.1: Welcome to the course! 14 minutes
1.1.2: What are some key Kalman-filter concepts? 16 minutes
1.1.3: Working through a Kalman-filter example at a high level 16 minutes
1.1.4: Roadmap to this course; context within the specialization 17 minutes
1.1.5: What are some applications that use Kalman filters? 18 minutes
1.1.6: Summary of "What is the Purpose of a Kalman Filter?" module plus next steps 3 minutes

11 lectures Total 92 minutes

Frequently Asked Questions 10 minutes
Course Resources 10 minutes
How to Use Discussion Forums 10 minutes
Earn a Course Certificate 10 minutes
Are you interested in earning an online MSEE degree? 10 minutes
Notes for Lesson 1.1.1 1 minute
Notes for Lesson 1.1.2 1 minute
Notes for Lesson 1.1.3 10 minutes
Notes for Lesson 1.1.4 10 minutes
Notes for Lesson 1.1.5 10 minutes
Notes for Lesson 1.1.6 10 minutes

6 devoirs Total 80 minutes

Graded assignment for week 1 30 minutes
Practice assignment (quiz) for Lesson 1.1.1 10 minutes
Practice assignment (quiz) for Lesson 1.1.2 10 minutes
Practice assignment (quiz) for Lesson 1.1.3 10 minutes
Practice assignment (quiz) for Lesson 1.1.4 10 minutes
Practice assignment (quiz) for Lesson 1.1.5 10 minutes

1 sujet de discussion Total 10 minutes

Introduce Yourself 10 minutes

Kalman filters estimate the "state" of a system that is described using a "state-space model." This week, you will learn the background concepts in state-space models that are required in order to implement a Kalman filter.

Inclus

8 vidéos9 lectures8 devoirs2 laboratoires non notés

8 vidéos Total 183 minutes

1.2.1: What is a state-space model and why do I need to know about them? 19 minutes
1.2.2: Example continuous-time state-space models used for tracking applications 24 minutes
1.2.3: Understanding the time-domain response of a state-space model 26 minutes
1.2.4: Illustrating the time-domain response 25 minutes
1.2.5: Converting continuous-time state-space models to discrete-time 27 minutes
1.2.6: How do I simulate a discrete-time state-space model? 27 minutes
1.2.7: Is it even possible for a Kalman filter to estimate this model's state? 32 minutes
1.2.8: Summary of "What do I need to know about state-space models?" module plus next steps 3 minutes

9 lectures Total 90 minutes

Notes for Lesson 1.2.1 10 minutes
Notes for Lesson 1.2.2 10 minutes
Introducing a new element to the course! 10 minutes
Notes for Lesson 1.2.3 10 minutes
Notes for Lesson 1.2.4 10 minutes
Notes for Lesson 1.2.5 10 minutes
Notes for Lesson 1.2.6 10 minutes
Notes for Lesson 1.2.7 10 minutes
Notes for Lesson 1.2.8 10 minutes

8 devoirs Total 100 minutes

Graded assignment for week 2 30 minutes
Practice assignment for Lesson 1.2.1 10 minutes
Practice assignment for Lesson 1.2.2 10 minutes
Practice assignment for Lesson 1.2.3 10 minutes
Practice assignment for Lesson 1.2.4 10 minutes
Practice assignment for Lesson 1.2.5 10 minutes
Practice assignment for Lesson 1.2.6 10 minutes
Practice assignment for Lesson 1.2.7 10 minutes

2 laboratoires non notés Total 30 minutes

Jupyter notebook used in conjunction with practice quiz 15 minutes
Jupyter notebook used in conjunction with practice quiz 15 minutes

Systems whose state we would like to estimate are affected by unknown inputs ("disturbances" or "process noises") and their measurements are affected by sensor noises. These noises are modeled by random variables. This week, you will learn the background concepts in random variables that are required in order to implement a Kalman filter.

Inclus

8 vidéos8 lectures8 devoirs1 laboratoire non noté

8 vidéos Total 172 minutes

1.3.1: Understanding uncertainty via mean and covariance 23 minutes
1.3.2: Understanding joint uncertainty of two unknown quantities 19 minutes
1.3.3: Understanding time-varying uncertain quantities 23 minutes
1.3.4: Simulating correlated Gaussian random vectors 28 minutes
1.3.5: Discrete-time dynamic systems having random inputs 27 minutes
1.3.6: Continuous-time dynamic systems having random inputs 27 minutes
1.3.7: Relating SigmaW to Sw precisely; a little trick (also, relating SigmaV to Sv) 21 minutes
1.3.8: Summary of "What do I need to know about random variables?" module plus next steps 3 minutes

8 lectures Total 80 minutes

Notes for Lesson 1.3.1 10 minutes
Notes for Lesson 1.3.2 10 minutes
Notes for Lesson 1.3.3 10 minutes
Notes for Lesson 1.3.4 10 minutes
Notes for Lesson 1.3.5 10 minutes
Notes for Lesson 1.3.6 10 minutes
Notes for Lesson 1.3.7 10 minutes
Notes for Lesson 1.3.8 10 minutes

8 devoirs Total 100 minutes

Graded assignment for week 3 30 minutes
Practice assignment for Lesson 1.3.1 10 minutes
Practice assignment for Lesson 1.3.2 10 minutes
Practice assignment for Lesson 1.3.3 10 minutes
Practice assignment for Lesson 1.3.4 10 minutes
Practice assignment for Lesson 1.3.5 10 minutes
Practice assignment for Lesson 1.3.6 10 minutes
Practice assignment for Lesson 1.3.7 10 minutes

1 laboratoire non noté Total 15 minutes

Lab to help computing results for the practice quiz 15 minutes

Even though we have not yet derived the steps of the Kalman filter, it is instructive to gain insight into a Kalman filter's operation by watching it run. This week, you will learn how to implement a Kalman filter in Octave and see cases where it works well and where it fails (next course, you will learn why!).

Inclus

6 vidéos6 lectures6 devoirs4 laboratoires non notés

6 vidéos Total 69 minutes

1.4.1: What are the linear Kalman-filter steps? 13 minutes
1.4.2: Preparing a model for use with the linear Kalman filter 15 minutes
1.4.3: How do I implement the Kalman-filter steps in Octave? 18 minutes
1.4.4: More Kalman-filter examples for state estimation of a linear system 13 minutes
1.4.5: What can cause a Kalman filter to fail? 8 minutes
1.4.6: Summary of "State-estimation application of a Kalman filter" module plus next steps 3 minutes

6 lectures Total 60 minutes

Notes for Lesson 1.4.1 10 minutes
Notes for Lesson 1.4.2 10 minutes
Notes for Lesson 1.4.3 10 minutes
Notes for Lesson 1.4.4 10 minutes
Notes for Lesson 1.4.5 10 minutes
Notes for Lesson 1.4.6 10 minutes

6 devoirs Total 80 minutes

Graded assignment for week 4 30 minutes
Practice assignment for Lesson 1.4.1 10 minutes
Practice assignment for Lesson 1.4.2 10 minutes
Practice assignment for Lesson 1.4.3 10 minutes
Practice assignment for Lesson 1.4.4 10 minutes
Practice assignment for Lesson 1.4.5 10 minutes

4 laboratoires non notés Total 80 minutes

Lab to simulate the spring-mass-damper system 20 minutes
Lab to implement the linear Kalman filter 20 minutes
Lab to implement open-loop state estimation and demonstrate bad initialization 20 minutes
Lab to demonstrate some causes for Kalman-filter failure 20 minutes

Obtenez un certificat professionnel

Ajoutez ce titre à votre profil LinkedIn, à votre curriculum vitae ou à votre CV. Partagez-le sur les médias sociaux et dans votre évaluation des performances.

Instructeur

Évaluations de l’enseignant

(12 évaluations)

Gregory Plett

University of Colorado System

9 Cours 83 655 apprenants

Offert par

University of Colorado System

En savoir plus sur Electrical Engineering

University of Colorado System
Linear Kalman Filter Deep Dive (and Target Tracking)
Cours
University of Colorado System
Nonlinear Kalman Filters (and Parameter Estimation)
Cours
University of Colorado System
Particle Filters (and Navigation)
Cours
University of Colorado System
Applied Kalman Filtering
Spécialisation

Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.

Étudiant(e) depuis 2018

’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’

Jennifer J.

Étudiant(e) depuis 2020

’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’

Larry W.

Étudiant(e) depuis 2021

’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’

Chaitanya A.

’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’

Avis des étudiants

5 stars
91,66 %
4 stars
8,33 %
3 stars
0 %
2 stars
0 %
1 star
0 %

Affichage de 3 sur 24

Révisé le 17 oct. 2025

Very clear explanation of mathematical concepts required for understanding of linear Kalman filters. Thanks!

Révisé le 29 mars 2025

Outstanding introduction to Kalman Filtering. A very well designed course. Thanks to Professor Platt.

Révisé le 10 mars 2026

Great overview of the basic math elements to understand what the KF does. I would add some programming assignment besides the quizzes to enforce deeper understanding of the concepts.

Voir plus d’avis

Ouvrez de nouvelles portes avec Coursera Plus

Accès illimité à 10,000+ cours de niveau international, projets pratiques et programmes de certification prêts à l'emploi - tous inclus dans votre abonnement.

Faites progresser votre carrière avec un diplôme en ligne

Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne

Découvrir les diplômes

Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires

Améliorez les compétences de vos employés pour exceller dans l’économie numérique

Foire Aux Questions

To access the course materials, assignments and to earn a Certificate, you will need to purchase the Certificate experience when you enroll in a course. You can try a Free Trial instead, or apply for Financial Aid. The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.

When you enroll in the course, you get access to all of the courses in the Specialization, and you earn a certificate when you complete the work. Your electronic Certificate will be added to your Accomplishments page - from there, you can print your Certificate or add it to your LinkedIn profile.

Yes. In select learning programs, you can apply for financial aid or a scholarship if you can’t afford the enrollment fee. If fin aid or scholarship is available for your learning program selection, you’ll find a link to apply on the description page.