滤波
为什么叫做滤波？
滤波一词来源于通信理论，它是从含有干扰的接收信号中提取有用信号的一种技术。“接收信号”相当于被观测的随机过程，“有用信号”相当于被估计的随机过程。
来自百度百科。
这个说法确实很形象，将有用的信息从一堆混在的信号中提取出来。
我们的现实世界确实充满着不确定性，没人能精准、完全的描述某种状态。对于想让机器智能的完成人类的任务的设计者来说，要重视这种不确定性，正面不确定性，并且能量化不确定性，能抓住主要矛盾，从而更精确的还原环境和自身的状态。
不确定性包含很多，如所处环境的不确定性，你不确定什么时候会冒出一个人，不确定路上是否有坑；传感器在测量的时候，由于自己的物理极限，也同样有局限，如观察不全面，观察有误差，比如摄像头，观察不了后面的，观察的东西有畸变，观察的分辨率有限等；控制机构也存在不确定性，如磨损造成的不精密，打滑等等；还有模型的不确定性，我们用于计算的物理模型，比真实的简陋，有些元素未被考虑，导致出现偏差。
我们要让机器在这么多不确定性中，可靠的完成任务，需要严谨的数学知识，来可靠的描述这种不确定性到底有多大，找到方法，来获得背后隐藏的真实状态。
在描述这些不确定性，概率、统计相关的知识就很重要了。
这下面的滤波知识，是按照《概率机器人》的顺序描述的，不是完全搬运，是自己的理解的记录。
http://www.probabilistic-robotics.org/
基本概念
状态
状态转移概率
测量概率
置信度
贝叶斯滤波
是一种递归的滤波方法：当前时刻的状态，由上一时刻的状态，结合当前的控制动作，可以推算出来一个先验的分布（因为有不确定性，所以是一个分布，而不是确切的某个量）；而当前的测量仪器会给出当前观测的数据，利用这个观测的数据，来修正上面预测的分布。如此循环，一直递归下去。
上面的两个阶段，一个叫做预测，另一个叫做测量更新。其本质上是这两个数据的加权和得到最终的分布。
公式上描述是：
预测的依据是什么？
上面的p(
x
t
x_t
xt|
u
t
u_t
ut,
x
t
−
1
x_{t-1}
xt−1) 怎么解析？为什么要用条件概率来乘？
从最简单的例子来看：一个机器人沿着直线行走，其状态就是一个位置
p
x
p_x
px，如果施加一个推力，就有90%的可能向前走1m，5%的概率，向后走1米（很诡异），5%的概率不动。如果不施加任何力量，则95%不动，5%向前0.2m，5%向后0.2m。
现在，假设机器人的位置
p
x
p_x
px=3，这个是量出来的精确的值。此时推了它一把，现在机器人在哪里？
很明显，大家不会说它一定在
p
x
p_x
px=4，而是会说，它90%的可能性是在4，还有5%的可能性在3.8m,还有5%的可能性是在3m处没变。
这个就是p(
x
t
x_t
xt|
u
t
u_t
ut,
x
t
−
1
x_{t-1}
xt−1)的具体表现，数学上是这样：
p(
x
t
x_t
xt=3|
u
t
u_t
ut=push,
x
t
−
1
x_{t-1}
xt−1=3)=5%
p(
x
t
x_t
xt=3.8|
u
t
u_t
ut=push,
x
t
−
1
x_{t-1}
xt−1=3)=5%
p(
x
t
x_t
xt=4|
u
t
u_t
ut=push,
x
t
−
1
x_{t-1}
xt−1=3)=90%
所以预测的依据就是我们的状态转移的规律，也就是p(
x
t
x_t
xt|
u
t
u_t
ut,
x
t
−
1
x_{t-1}
xt−1) 这个状态转移概率。为何说概率，是因为不是一定确定性的转移到某种状态，而是有可能转移到不同状态，转到不同状态的概率不同，这个不同，就来自于我们的状态转移规律。
这个规律怎么来的？这个规律就是我们的运动方程，是我们已经研究清楚的某种运动规律。后面还会有专门的介绍运动模型的内容。
我们再看看上面的公式：
∫
\int
∫p(
x
t
x_t
xt|
u
t
u_t
ut,
x
t
−
1
x_{t-1}
xt−1)d
x
t
−
1
x_{t-1}
xt−1，这个意思是，将所有的
x
t
−
1
x_{t-1}
xt−1的状态都进行转移，然后累计。
比如，上面的
p
x
t
−
1
px_{t-1}
pxt−1并不是精确的等于3，而是一个分布，比如说：
p
x
t
−
1
px_{t-1}
pxt−1有90%的概率是3，5%的概率是2，5%的概率是4，这时候，我们再来计算一下，展开那个积分号（其实不严谨，这个例子是离散的
∑
\sum
∑，但积分号本身就是sum的首字母的变体，本质就是求和）。
p(
x
t
x_t
xt=3|
u
t
u_t
ut=push,
x
t
−
1
x_{t-1}
xt−1=3)
=p(
x
t
x_t
xt=3|
u
t
u_t
ut=push,
x
t
−
1
x_{t-1}
xt−1=3)*p(
x
t
−
1
x_{t-1}
xt−1=3)
+p(
x
t
x_t
xt=3|
u
t
u_t
ut=push,
x
t
−
1
x_{t-1}
xt−1=2)*p(
x
t
−
1
x_{t-1}
xt−1=2)
+p(
x
t
x_t
xt=3|
u
t
u_t
ut=push,
x
t
−
1
x_{t-1}
xt−1=4)*p(
x
t
−
1
x_{t-1}
xt−1=4)
=5%*90% （在3m处的概率，乘上推了不动的概率）
+90%*5%
+5%*5%
=9.25%
其他的t时刻的状态计算也如上所示。
上面举的例子是离散的，但实际上，我们的很多状态分布是连续的，就以上面的例子来说，位置可以取机器人所在的一维空间的任意地点的数值，实际上也是连续的。
不管离散还是连续的，求和的本质不变，贝叶斯全概率的公式不变，基本的逻辑不变。
说完了预测，那更新又是什么情况 ?
地一个问题就是：p(
z
t
z_t
zt|
x
t
x_t
xt)这个怎么来的？
这个其实就是我们的观测模型了，描述了如何从状态得到观测值的。注意，这里同样也是概率分布，是因为，真实的状态对我们是不可知的，我们所做的也只是尽量逼近真实状态而已。所以，对于某个真实状态，我们可能会观测到不同的观测值。比如，假设给了上面的机器人一个激光测距仪，让它自己测量到零点的距离。本来真实距离是1m的，由于上面说的不确定性中传感器的局限，可能会测出0.9m,0.8m,1m,1.1m,1.2m等等，所以，由真实值获取的测量值，也是一个分布，如：
p(z=0.9|x=1)=0.9
p(z=0.8|x=1)=0.1
…
p(z=1.2|x=1)=0.1
这个和时间一般没有关系，所以去掉了t。
在量程范围内，和具体的距离也没有关系，分布会呈现均值为真值，方差在一定范围内的情况。
所以，p( z t z_t zt| x t x_t xt) 这个是我们的先验来的，是我们预先知道的，如果用了某个厂家的设备，一般会标注出来方差。
高斯滤波
为什么叫做高斯滤波？
因为假设状态分布都是高斯分布的，单峰值的，符合我们对世界的认知。比如，当前在哪里，真值肯定只有一个，这个就是峰值，也是均值所在。
但是计算过程是否一定就是符合这种单峰的分布，却不一定。因为当你在一个完全对称的走廊的时候，你看到一扇门，你是完全估计不出来你在哪里的，这时候，就是大部分的概率平均分布在有门的地方，就不止一个峰了。（少部分在没门的地方，因为可能会看错）。
卡尔曼滤波
卡尔曼滤波，思想跟上面的贝叶斯滤波是一样的，用状态转移概率来预测，用观测数据来更新。
扫一扫
488
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
