1. 条件概率:假定已经知道Y的值是y,想知道基于以上事实条件X为x概率,这样的概率表示为p(x| y)= p(X=x | Y=y) 成为条件概 率。如果p(y)>0,则条件概率定义为
全概率:
2.贝叶斯滤波算法:
其中第3行是控制更新,第4行是状态更新。bel代表的是置信度,整个过程是一个迭代的过程。
这一算法的实现需要三个概率: 初始置信度,测量概率,状态转移概率。
3. 在KF当中用矩参数表示置信度:在 t 时刻,置信度用均值和方差表达。
简单粗暴点理解就是 : 贝叶斯当中的bel = KF中的矩阵+方差
4.因为在KF当中,状态转移概率必须是带有随机高斯噪声;测量概率也与带有高斯噪声的自变量呈线性关系;初始置信度必须是 正太分布的;正是因为这三者都和线性高斯系统有关,所以KF就和线性高斯系统联系了起来。
这样 贝叶斯滤波,线性高斯系统,卡尔曼滤波;这三者的之间的关系就有了一个比较直观的理解。
其中涉及到的相关知识,可以自行百度或者结合概率机器人这本书来看。