贝叶斯平滑及其精确解

平滑与滤波的区别在于：滤波只是用当前以及之前的量测量去估计当前状态（也可能是未来）的估计值。而贝叶斯平滑在进行估计时还用到了当前时刻之后的量测量。使得估计更加的准确。

贝叶斯平滑方程

贝叶斯平滑的目的在于获得截止到$\mathbf{T}$时刻的量测量后，计算$\mathbf{k}$时刻状态${\mathbf{x}}_{\mathbf{k}}$的边缘后验分布，如下：(其中 $\mathbf{k}<\mathbf{T}$)。
$$\mathbf{p}({\mathbf{x}}_{\mathbf{k}}|{\mathbf{y}}_{1:\mathbf{T}})$$

贝叶斯最优平滑方程

对于任意的 $\mathbf{k}<\mathbf{T}$，计算平滑公式 $\mathbf{p}({\mathbf{x}}_{\mathbf{k}}|{\mathbf{y}}_{1:\mathbf{T}})$ 的后向递归公式（贝叶斯平滑器）可由贝叶斯（固定区间）平滑公式给出：
其中，$\mathbf{p}({\mathbf{x}}_{\mathbf{k}}|{\mathbf{y}}_{1:\mathbf{k}})$ 是k时刻的滤波分布。$\mathbf{p}({\mathbf{x}}_{\mathbf{k}+1}|{\mathbf{y}}_{1:\mathbf{k}})$ 是$\mathbf{k}+1$ 时刻的预测部分。若是状态中有一部分是离散的，则用求和代替积分。

Rauch-Tung-Striebel 平滑器

RTS平滑器也称为卡尔曼平滑器，可用来计算线性高斯滤波模型的平滑闭型解。
线性高斯模型如下：
$$\begin{gathered} {\mathbf{x}}_{\mathbf{k}}={\mathbf{A}}_{\mathbf{k}-1}{\mathbf{x}}_{\mathbf{k}-1}+{\mathbf{q}}_{\mathbf{k}-1} \\ {\mathbf{y}}_{\mathbf{k}}={\mathbf{H}}_{\mathbf{k}}{\mathbf{x}}_{\mathbf{k}}+{\mathbf{r}}_{\mathbf{k}} \end{gathered}$$其闭型解如下：
$$\mathbf{p}({\mathbf{x}}_{\mathbf{k}}|{\mathbf{y}}_{1:\mathbf{T}})=\mathbf{N}({\mathbf{x}}_{\mathbf{k}}|{\mathbf{m}}_{\mathbf{k}}^{\mathbf{s}},{\mathbf{P}}_{\mathbf{k}}^{\mathbf{s}})$$这与卡尔曼滤波的区别在于，平滑值是利用了全部量测量 ${\mathbf{y}}_{1:\mathbf{T}}$ 的估计结果，而滤波值只是利用了$\mathbf{k}$ 时刻及其之前所获得的量测量 ${\mathbf{y}}_{1:\mathbf{k}}$。

RTS平滑器

（固定区间）RTS平滑器的后向递归方程为：
其中，${\mathbf{m}}_{\mathbf{k}},{\mathbf{P}}_{\mathbf{k}}$ 是卡尔曼滤波得到的均值和协方差。递归解算从最后一个时刻 $\mathbf{T}$ 开始，即 ${\mathbf{m}}_{\mathbf{T}}^{\mathbf{s}}={\mathbf{m}}_{\mathbf{T}}，{\mathbf{P}}_{\mathbf{T}}^{\mathbf{s}}={\mathbf{P}}_{\mathbf{T}}$。（前两个方程与卡尔曼滤波器的预测方程一致）