定义:
1)是物体当前状态为的概率,这个概率为先验概率,依赖于系统模型,需要对系统进行建模,卡尔曼滤波认为这个模型是线性模型;
2)指当物体处于这个状态时,传感器测量值为的概率。这个概率是似然概率,取决于观测模型,需要进行数学建模,比如卡尔曼滤波设计的模型就是一个高斯分布(正态分布)。
那么根据贝叶斯公式,后验概率如下:
根据前面文章的分析,是一个与无关的常量,可以用表示,所以上式可以进一步地写为:
式子中的为归一化变量,该值的大小需满足所有概率相加为1或者概率密度函数在整个区间的积分为1。
贝叶斯滤波运用的就是这个公式,卡尔曼滤波也是如此。卡尔曼滤波是贝叶斯滤波的一种特例,是一种“线性模型”+“高斯分布”下的贝叶斯滤波。