《概率机器人》学习系列（一）——贝叶斯滤波

        最近正在学习<<概率机器人>>，可能会出一系列有关的文章，主要也是为了记录自己学习的过程，如果写的不对的地方，望不吝赐教。本章主要讲自己对贝叶斯估计的一些理解。

        一、贝叶斯估计是一种抽象的概念，是一类方法的总称

        刚开始学习贝叶斯估计的时候，总是认为贝叶斯估计是具体算法流程，想具体实现，找着资料才发现原来是一系列方法的总称。它的具体实现为 粒子滤波、卡尔曼滤波等等。贝叶斯滤波主要分为 预测 和  修正 两个过程。

       二、算法流程介绍

         我从实际情况来介绍一下贝叶斯滤波，详细的数学推导可以看书本，首先先放出贝叶斯滤波的算法流程：

其中：

 ：此过程为 预测，它的具体形式为：

                                                     

 ：  为里程计 t-1 时刻到 t 时刻的姿态变化， 为 t-1 时刻的机器人位姿，而  的位姿就是通过运动学模型的得到的，所以这个式子的意思是想告诉我们  =  +  ，实际上的运算并不是这样子，这只是为了方便说明而简化了，详细的运算可以看看概率机器人的运动学模型那一章，那里有详细的推导，后期的文章也会讲解。我个人的理解这一部分就是预测了。

  ： 这个就是 为t-1时刻的机器人位姿，是一个已知的条件，所以只需管即可。

 ： 此过程为 修正。

 这个就无需介绍了，这一步就是预测，而  为归一化因子，就是贝叶斯准则的分母的倒数。

 ： 这个实际上就是观测模型，如果是已知观测模型的系统，可直接套入前面讲到的预测的来计算观测的具体值，如果是机器人的话，是算似然域得分，这一个过程我会在未来几篇专门讲解。

整个贝叶斯滤波就是不断预测，修正，预测，修正......如果想从代码入手，就多看看卡尔曼滤波和粒子滤波的代码实现，这都是贝叶斯滤波的具体实现，概率机器人上也有讲解，也可以看看gmapping,这个也是基于滤波器实现的。