声明:【贝叶斯滤波与卡尔曼滤波】系列是博主对B站up主:忠厚老实的老王所分享教学内容的学习笔记,并且该系列每篇博客都会将博主听课后总结的纸质版笔记附于文末,供大家参考。
B站up主:忠厚老实的老王是一位研究汽车领域,无人驾驶方向及其相关方向的大佬,也算是博主在无人驾驶方向的启蒙老师。所以研究相关领域的朋友推荐去听一听他的视频讲解。
1. 课程的符号规定
从第三讲开始,对以下内容进行符号的统一规定:
随机变量: X , Y , ⋯ X,Y,\cdots X,Y,⋯
随机变量的取值(代表随机试验的一个可能结果): x , y , ⋯ x,y,\cdots x,y,⋯
举例如:抛硬币。
1( x x x):正面朝上
2( y y y):反面朝上
则 X = 1 ( x ) X=1(x) X=1(x):做一次随机试验,结果为正面朝上。
2. 知识点补充
随机变量有连续随机变量和离散随机变量两种。
离散随机变量: P ( X = x ) = P x P(X=x)=P_{x} P(X=x)=Px例如: P ( X = k ) = e − λ ∗ λ k k ! P(X=k)=e^{-\lambda } *\frac{\lambda ^{k} }{k!} P(X=k)=e−λ∗k!λk
连续随机变量: P ( X < x ) = ∫ − ∞ x 1 2 π ∗ e − t 2 2 d t P(X<x)=\int_{-\infty }^{x} \frac{1}{\sqrt{2\pi } } *e^{-\frac{t^{2} }{2} } dt P(X<x)=∫−∞x2π1∗e−2t2dt
条件概率的计算:
离散条件概率: P ( X = x ∣ Y = y ) = P ( X = x , Y = y ) P ( Y = y ) P(X=x|Y=y)=\frac{P(X=x,Y=y)}{P(Y=y)} P(X=x∣Y=y)=P(Y=y)P(X=x,Y=y)
连续条件概率: P ( X < x ∣ Y = y ) = ∫ − ∞ x f ( x , y ) f ( y ) d x P(X<x|Y=y)=\int_{-\infty }^{x} \frac{f(x,y)}{f(y)} dx P(X<x∣Y=y)=∫−∞xf(y)f(x,y)dx
注:下文举例为离散随机变量的贝叶斯公式的例子。
3. 贝叶斯滤波的三大概率
贝叶斯滤波的三大概率:先验概率、后验概率、似然概率。
似然概率:代表观测值或传感器等的准确度。
举例如:测量今天的室外温度。
首先:
给出先验概率分布(即上文所讲的主观概率,以后不再说主观概率一词,由先验概率替代) P ( T = 10 ) = 0.8 P(T=10)=0.8 P(T=