8 概率机器人 Probabilistic Robotics 直方图滤波 离散贝叶斯滤波

1 前言

• 直方图滤波适用于非线性滤波，是非参数滤波的一种
• 直方图滤波是离散贝叶斯滤波在连续状态下的实现
  • 离散贝叶斯滤波：离散状态
  • 直方图滤波：连续状态
• 直方图滤波的中心思想：将连续状态分段分解，在对每段做近似，再用离散贝叶斯滤波
  • 直方图滤波 = 离散分解 + 离散贝叶斯滤波
  • 离散分解有很大学问，不同的分段方法对滤波效果影响很大
    • 细分：精度高，计算量大
    • 粗分：精度低，计算量小
  • 理想的离散分解：非线性弱则粗分，非线性强则细分

2 离散贝叶斯滤波算法

• 这里介绍离散贝叶斯滤波算法
• 离散贝叶斯滤波与贝叶斯滤波很相似，只不过前者用在离散状态
• 先给大家回顾一下贝叶斯滤波流程：
  • 大家看到求置信度用到的是积分

• 离散贝叶斯滤波算法
  • 应用于有限状态的情景
  • 把贝叶斯滤波的积分改成求和就是离散贝叶斯算法了

3 直方图滤波

• 直方图滤波 = 离散分解 + 离散贝叶斯滤波

3.1 分解技术

• 将连续状态$X_t$进行分解：
  $$\begin{gathered} dom(X_t)=x_{1,t}\cup x_{2,t}\cup \cdots x_{K,t} \\ {x}_{i,t}\cap x_{k,t}=\varnothing \\ \bigcup _k{x}_{k,t}=dom(X_t) \end{gathered}$$
• 对状态分解主要有两种思想：静态，动态
  • 静态：固定粗细的分解方法，不随变换函数的非线性程度所改变
  • 动态：分的粗细程度自适应变换函数
• 动态分解要优于静态分解，动态分解的方法很多，这里不做介绍，给大家看一下动态与静态的对比：
  • 右下图是原始状态，$x$服从正态分布的连续状态，对它进行离散分解
  • 右上图是非线性变换函数$y=g(x)$
  • 左上图是静态分解，分解间隔是定值，近似效果较差
  • 中上图是动态分解，该分解的粗细程度与状态转移函数$y=g(x)$的非线性程度有关，近似效果较好

3.2 直方图滤波介绍

• 上述介绍完对状态进行分解的方法，这里介绍分解后的计算过程
• 我们分解了很多区间，那么每一段的概率为$p_{k,t}$,那么该区间概率密度:
  $$p(x_t)=\frac{p_{k,t}}{|x_{k,t}|}$$
• 再在每一段区内选一个代表点${\hat{x}}_{k,t}$:
  $${\hat{x}}_{k,t}=|x_{k,t}{|}^{-1}{\int }_{x_{k,t}}{x}_{t}d{x}_t$$
• 有了代表点就可以近似测量和状态转移概率，具体为什么这样近似看下面重要公式推导部分
  $$\begin{gathered} p(z_t|x_{k,t})\approx p(z_t|{\hat{x}}_{k,t}) \\ p(x_{k,t}|u_t,x_{i,t-1})\approx \eta |x_{k,t}|p({\hat{x}}_{k,t}|u_t,{\hat{x}}_{i,t-1}) \end{gathered}$$
• 所以离散贝叶斯滤波中两个公式可以表示为：
  $$\begin{array}{rl}line3:{\bar{p}}_{k,t}& =\sum _{i}p(X_t=x_k|u_t,X_{t-1}=x_i)p_{i,t-1}\\ & =\sum _i\eta |x_{k,t}|p(X_t={\hat{x}}_{k,t}|u_t,X_{t-1}={\hat{x}}_{i,t-1})p_{i,t-1}\\ line4:p_{k,t}& =\eta p(z_t|X_t=x_k){\bar{p}}_{k,t}\\ & =\eta p(z_t|X_t={\hat{x}}_{k,t}){\bar{p}}_{k,t}\end{array}$$

3.3 重要公式推导

• 测量概率近似：
  $$\begin{array}{rl}p(z_t|x_{k,t})& =\frac{p(z_t,x_{k,t})}{p(x_{k,t})}\\ & =\frac{{\int }_{x_{k,t}}p(z_t,x_t)d{x}_t}{{\int }_{x_{k,t}}p(x_t)d{x}_t}\\ & ={\int }_{x_{k,t}}p(x_t)d{x}_t\\ & \\ & \\ & \\ & \\ & \\ & \\ & \end{array}$$