概率机器人贝叶斯滤波的理解

滤波其实就是一个预测+修正的过程，在讲概率机器人贝叶斯滤波之前要先了解一些概率的知识。

1.贝叶斯公式：

1. 先验概率：事情还没有发生，要求这件事发生的可能性的大小，是先验概率，是根据以往经验和分析得到的概率。如上式中的
2. 后验概率：事情已经发生，要求这件事情发生的原因是由某个因素引起的可能性的大小，是后验概率，执果求因。如上式中的
3. 条件概率：事件y在另一个事件x已发生条件下的发生概率 。如上式中的
4. 状态转移概率：概率是状态转移概率。它指出环境状态作为机器人控制的函数如何随着时间变化。机器人的环境是随机的，这一点可由是一个概率分布而不是一个确定函数的事实来反映。有时状态转移分布不依赖时间t，此时可以将之记为。这里是次态，x是现态。

5. 测量概率：概率叫做测量概率。它也可以不依赖时间t，此时记为p(z|x)。测量概率指定概率法则，根据该法则测量z由环境状态x产生。将测量认为是状态的有噪声预测是恰当的。

6. 置信度：置信度反映了机器人有关环境状态的内部信息。状态不能直接测量，必须要从数据中推测出其位姿的。概率机器人通过条件概率分布表示置信度。对于真实的状态，置信度分布为每一个可能的假设分配一个概率。置信度分布是以可获得数据为条件的关于状态变量的后验概率。这里用表示状态变量的置信度，其为下式后验概率的缩写：
   
   这个后验是时刻t下状态的概率分布，以所有过去测量和所有过去控制为条件。默认置信度是在综合了测量后得到的。有时，可以证明在刚刚执行完控制之后，综合之前计算后验是有用的。这样的后验可以表示如下：
   在概率滤波的框架下，该概率经常被称为预测。该术语反映了一个事实：是基于以前状态的后验，在综合时刻t的测量之前，预测了时刻t的状态。由计算称为修正或测量更新。

7. 状态完整性假设：在机器人系统中，如果状态x是完整的，那么它是所有以前时刻发生的所有状态的充分总结。具体来说，是直到t-1时刻的控制和测量的一个充分统计量，即和。所以。同理在测量模型中，如果
   是完整的，就有了如下很重要的条件独立：
   换句话说，用状态足以预测（有潜在噪声的）测量如果是完整的，则任何其他变量的信息，如过去的测量，控制，抑或过去的状态，是与之无关的。这里的状态完整性假设是基于马尔科夫链的知识，其中x表示机器人状态，u表示外界控制，z表示测量数据。
8. 全概率公式：
   （离散情况）
   （连续情况）

贝叶斯滤波是递归的，也就是说，时刻t的置信度由时刻t-1的置信度来计算。其输入是t-1的置信度，和最近的控制作用及最近的一次测量。其输出就是时刻t的置信度。贝叶斯滤波算法的正确性由归纳法说明。为了这样做，必须说明它正确地由上一步的对应后验
计算后验分布

贝叶斯滤波推导：

=
第一步来自贝叶斯准则，参考公式，该公式是贝叶斯准则的变种，只不过在每一个里面加上了一个Z=z的条件。
也可由如下推出：


由于p(x,y,z)=p(x,y,z),所以得到
,推出

又由于分母对任何的后验概率都是相同的，所以将其写成贝叶斯准则中的归一化变量，通常用表示。
现在利用状态是完整的这一假设，可以得到如下关系式：

因此：
接下来，利用全概率公式推广：

是所有情况的积分。又一次，采用状态是完整的这个假设，因此有：，这里保留控制变量，因为它不能先于状态。
最后要注意，对于任意所选的控制，可以从条件变量集中安全地将控制省略。因此有递归更新方程：

总之，贝叶斯滤波算法以到时间t的测量和控制数据为条件来计算状态的后验。推导假设世界是马尔可夫的，也就是状态是完整的。该算法的任何具体实现都需要三个概率分布：初始置信度，测量概率，和状态转移概率。