Google VR开发-Cardboard VR SDK头部追踪实现（隐马尔可夫模型）

隐马尔可夫模型是理解卡尔曼滤波的基础。这里只单纯记录一下对这个模型的理解，实际这部分只需要看维基百科就可以了。

维基百科：

https://zh.wikipedia.org/wiki/%E9%9A%90%E9%A9%AC%E5%B0%94%E5%8F%AF%E5%A4%AB%E6%A8%A1%E5%9E%8B

1. 其中 {\displaystyle x(t)} 我们称为隐藏变数（hidden variable），是观察者无法得知的变数

理解：这里就是说时间t的某个状态是隐藏变数。注意 {\displaystyle x(t)}是状态

2. 假设隐藏状态的值对应到的空间有 {\displaystyle N} 个元素，也就是说在时间 {\displaystyle t} 时，隐藏状态会有 {\displaystyle N} 种可能

理解：这就是说， {\displaystyle x(t)}这个状态收到N个变量的影响。

3. 同样的， {\displaystyle t+1} 也会有 {\displaystyle N} 种可能的值，所以从 {\displaystyle t} 到 {\displaystyle t+1} 间的关系会有 {\displaystyle N^{2}} 种可能

理解：这个好理解，时间t有N种可能，时间t+1也有N中可能，自然t到t+1的关系有 {\displaystyle N^{2}} 种可能

4. 若观察到的 {\displaystyle y(t)} 有 {\displaystyle M} 种可能的值，则从 {\displaystyle x(t)} 到 {\displaystyle y(t)} 的输出模型复杂度为 {\displaystyle O(NM)} 。如果 {\displaystyle y(t)} 是一个 {\displaystyle M} 维的向量，则从 {\displaystyle x(t)} 到 {\displaystyle y(t)} 的输出模型复杂度为 {\displaystyle O(NM^{2})} 。

理解：前一句好理解。后一句的理解是：前一句描述的情况有M中可能，相当于 {\displaystyle y(t)}是一维的。那么如果它是M维的，即每一个维度都有M种可能，那么自然复杂度要乘以M。不过这里维度一定要和可能性一致吗？

在上面的理解基础上，看总结的马尔可夫模型：

假设观察到的结果为{\displaystyle Y}

{\displaystyle Y=y(0),y(1),...,y(L-1)}

隐藏条件为{\displaystyle X}

{\displaystyle X=x(0),x(1),...,x(L-1)}

长度为{\displaystyle L}，则马可夫模型的概率可以表达为：

{\displaystyle P(Y)=\sum _{X}P(Y\mid X)P(X)\,}

理解：Y就是一系列观测到的结果，相当于我们已经观测到的一串融合后的传感器数据。

X为隐藏条件，相当于我们观测到的好几个传感器在不同时间的状态。

L就是我们观测的时间

最后一个公式的文字描述可以理解为：

P（X）表示出现X的概率，即观测到好几个传感器的状态序列为X时的概率。

P(Y | X)表示在出现X的情况下出现Y的概率

那么出现Y的概率P（Y）自然就是所有P（Y|X）P(X)的叠加了。