1 概率机器人 Probabilistic Robotics 概率基本概念

基本概念

本片博文为后续博文做基础铺垫，给出符号和基本公式的定义：

• 随机变量$X$的值为$x$: $p(X=x)$ 简写为$p(x)$
  $$\begin{gathered} \sum _{x}p(x)=1\text{离散} \\ \int p(x)dx=1\text{连续}\text{\hspace{1em}(1.1)} \end{gathered}$$
• 正态分布$N(x;u,{\sigma }^2)$：
  $$\begin{gathered} p(x)=(2\pi {\sigma }^2{)}^{-\frac{1}{2}}\exp \left\{-\frac{1}{2}\frac{(x-\mu {)}^2}{{\sigma }^2}\right\} \\ \downarrow \text{多维} \\ p(x)=det(2\pi {\Sigma }^2{)}^{-\frac{1}{2}}\exp \left\{-\frac{1}{2}(x-\mu {)}^T{\Sigma }^{-1}(x-\mu )\right\}\text{\hspace{1em}(1.2)} \end{gathered}$$
• 联合分布：
  $$\begin{gathered} p(x,y)=p(X=x\cup Y=y) \\ \downarrow X,Y\text{独立} \\ p(x,y)=p(x)p(y)\text{\hspace{1em}(1.3)} \end{gathered}$$
• 条件分布：
  $$\begin{gathered} p(x|y)=p(X=x|Y=y) \\ \downarrow \\ p(x|y)=\frac{p(x,y)}{p(y)} \\ \downarrow X,Y\text{独立} \\ p(x|y)=\frac{p(x)p(y)}{p(y)}=p(x)\text{\hspace{1em}(1.4)} \end{gathered}$$
• 全概率公式：
  $$\begin{gathered} p(x)=\sum _{y}p(x|y)p(y)\text{离散} \\ p(x)=\int p(x|y)p(y)dy\text{连续}\text{\hspace{1em}(1.5)} \end{gathered}$$
• 贝叶斯准则:（很重要）
  $$\begin{gathered} p(x|y)=\frac{p(y|x)p(x)}{p(y)}=\frac{p(y|x)p(x)}{{\sum }_{x^{\prime }}p(y|x^{\prime })p(x^{\prime })}\text{离散} \\ p(x|y)=\frac{p(y|x)p(x)}{p(y)}=\frac{p(y|x)p(x)}{\int p(y|x^{\prime })p(x^{\prime })d{x}^{\prime }}\text{连续} \\ \downarrow p(y{)}^{-1}\text{被写为}\eta \\ p(x|y)=\eta p(y|x)p(x)\text{\hspace{1em}(1.6)} \end{gathered}$$
• 多变量条件概率：
  $$p(x|y,z)=\frac{p(y|x,z)p(x|z)}{p(y|z)}\text{\hspace{1em}(1.7)}$$
• 条件概率的独立性(X,Y独立)：
  $$\begin{gathered} p(x,y|z)=p(x|z)p(y|z) \\ p(x|z)=p(x|z,y) \\ p(y|z)=p(y|z,x)\text{\hspace{1em}(1.8)} \end{gathered}$$
• 条件独立不一定绝对独立，绝对独立不一定条件独立：
  $$\begin{array}{rl}p(x,y|z)=p(x|z)p(y|z)& \nRightarrow p(x,y)=p(x)p(y)\\ p(x,y)=p(x)p(y)& \nRightarrow p(x,y|z)=p(x|z)p(y|z)\end{array}\text{\hspace{1em}(1.9)}$$
• 期望：
  $$\begin{gathered} E[X]=\sum _{x}xp(x)\text{离散} \\ E[X]=\int xp(x)dx\text{连续} \\ \downarrow \\ E[aX+b]=aE[X]+b\text{\hspace{1em}(1.10)} \end{gathered}$$
• 协方差：
  $$Cov[X]=E[X-E[X]{]}^2=E[X^2]-E[X{]}^2\text{\hspace{1em}(1.11)}$$
• 熵：
  $$\begin{gathered} H_p(x)=E[-{\log }_{2}p(x)] \\ \downarrow \\ {H}_p(x)=-\sum _{x}p(x){\log }_{2}p(x)\text{离散} \\ {H}_p(x)=\int p(x){\log }_{2}p(x)dx\text{连续} \\ \text{\hspace{1em}(1.12)} \end{gathered}$$
• 测量值$z$：
  $$z_{t_1:t_2}=z_{t_1},z_{t_1+1},z_{t_1+2},\cdots ,z_{t_2}\text{\hspace{1em}(1.13)}$$
• 控制值$u$：
  $$u_{t_1:t_2}=u_{t_1},u_{t_1+1},u_{t_1+2},\cdots ,u_{t_2}\text{\hspace{1em}(1.14)}$$
• 条件独立性的例子：
  • 状态变量$x_t$仅与状态$x_{t-1}$和控制量$u_t$有关
  • 观测值$z_t$仅与状态$x_t$有关
    

$$p(x_t|x_{0:t-1},z_{1:t-1},u_{1:t})=p(x_t|x_{t-1},u_t)p(z_t|x_{0:t},z_{1:t-1},u_{1:t})=p(z_t|x_t)\text{\hspace{1em}(1.15)}$$

• 置信度：
  $$\begin{gathered} bel(x_t)=p(x_t|z_{1:t},u_{1:t}) \\ \overline{bel}(x_t)=p(x_t|z_{1:t-1},u_{1:t})\text{\hspace{1em}(1.16)} \end{gathered}$$
  从$\overline{bel}(x_t)$中计算$bel(x_t)$称为修正或测量更新

下一章

• 下一章讲：贝叶斯滤波算法

参考文章

• Thrun, & Sebastian. (2005). Probabilistic robotics.