概率机器人 第三章高斯滤波（正态分布）

高斯滤波也就是在将贝叶斯滤波里面的所有置信度都用正态分布来表示。高斯分布具有单峰，这是符合机器人学中很多的追踪问题都是单峰的，并且后验都是以小的不确定性聚集在真实状态的周围。本章讨论了两种参数的绿滤波，基于矩参数的滤波和基于正则参数的滤波。矩参数是指均值和方差，因为均值和方差是概率分布的一阶矩和二阶矩。正则参数由信息矩阵和信息向量组成。通过矩阵求逆，可以从一个参数得到另外的一个参数，这两种方法对偶的。
对于这两种滤波方式都必须要满足三个基本要求：1.初始置信度必须满足高斯分布。2.状态转移方程是一个包含独立高斯噪声，且是与参数呈线性关系的函数。3.测量方程也是一个包含独立高斯噪声，且与参数呈线性关系的函数。
两种滤波的方式都可以扩展到非线性系统。可以通过泰勒展开用近似替代的方法得到一个近似线性的函数，这样的方法叫做扩展卡尔曼滤波和扩展信息滤波。
卡尔曼滤波还可以采取不同的线性近似方法得到无迹卡尔曼滤波，通过将函数选定点进行无迹变换得到线性化。扩展卡尔曼滤波核无迹卡尔曼滤波都是通过将非线性函数近似线性化来处理得到的。泰勒级数展开和无迹变换的精度性取决于两个因素：系统的非线性程度和不确定程度。如果能够较为准确的知道系统的状态，那么由线性化所造成的误差就相对较小。
高斯向多峰后验的扩展被称为多假设卡尔曼滤波，它用高斯混合分布表示后验，高斯混合分布就是多个高斯分布的加权和，在更新该滤波的时候需要分裂和融合或者修剪单个高斯分布。
卡尔曼滤波算法
卡尔曼滤波实现了连续状态的置信度计算，但是它不适用与离散或者混合的状态空间。它用矩参数表示置信度：在t时刻，置信度用均值μ和方差Σ_t表示。如果它满足三个条件和马尔科夫性那么它的后验就是高斯的。三个条件在上面已经提到了，状态转移方程的具体形式如下：

其中x_t和x_(t-1)分别表示两个时刻的状态，u_t为t时刻的控制向量。A_t和B_t分别是n×n和n×m的矩阵，其中m是控制向量的维数，n是状态的维数。ε_t是一个满足高斯分布的噪声，均值为0，方差为R_t。
测量方程的具体形式如下：