2022-1-15更新
- 随机变量的随机表示常用 p ( x ) = p ( X = x ) p(x)=p(X=x) p(x)=p(X=x)
- 常用公式
- P ( A ) = P ( A ∣ B 1 ) + P ( A ∣ B 2 ) + . . . + P ( A ∣ B n ) P(A)=P(A|B_1)+P(A|B_2)+...+P(A|B_n) P(A)=P(A∣B1)+P(A∣B2)+...+P(A∣Bn)
-
P
(
A
B
)
=
P
(
A
,
B
)
=
P
(
A
)
P
(
B
∣
A
)
=
P
(
B
)
P
(
A
∣
B
)
P(AB)=P(A,B)=P(A)P(B|A)=P(B)P(A|B)
P(AB)=P(A,B)=P(A)P(B∣A)=P(B)P(A∣B)
- 贝叶斯公式第一个版本 P ( B ∣ A ) = P ( A , B ) P ( A ) = P ( B ) P ( A ∣ B ) P ( A ) P(B|A)=\frac{P(A,B)}{P(A)}=\frac{P(B)P(A|B)}{P(A)} P(B∣A)=P(A)P(A,B)=P(A)P(B)P(A∣B)
- 贝叶斯公式第二个版本 P ( B i ∣ A ) = P ( A , B i ) P ( A ) = P ( B i ) P ( A ∣ B i ) ∑ i = 1 n P ( B i ) P ( A ∣ B i ) P(B_i|A)=\frac{P(A,B_i)}{P(A)}=\frac{P(B_i)P(A|B_i)}{\sum_{i=1}^{n}P(B_i)P(A|B_i)} P(Bi∣A)=P(A)P(A,Bi)=∑i=1nP(Bi)P(A∣Bi)P(Bi)P(A∣Bi)
-
P
(
A
,
B
,
C
)
=
P
(
C
,
A
,
B
)
=
P
(
C
∣
A
,
B
)
P
(
A
,
B
)
=
P
(
C
∣
A
,
B
)
P
(
B
,
A
)
=
P
(
C
∣
A
,
B
)
P
(
B
∣
A
)
P
(
A
)
P(A,B,C)=P(C,A,B)=P(C|A,B)P(A,B)=P(C|A,B)P(B,A)=P(C|A,B)P(B|A)P(A)
P(A,B,C)=P(C,A,B)=P(C∣A,B)P(A,B)=P(C∣A,B)P(B,A)=P(C∣A,B)P(B∣A)P(A)
- 多变量贝叶斯公式 P ( A ∣ B , C ) = P ( A , B , C ) P ( B , C ) = P ( C ∣ A , B ) P ( B ∣ A ) P ( A ) P ( B ) P ( C ∣ B ) P(A|B,C)=\frac{P(A,B,C)}{P(B,C)}=\frac{P(C|A,B)P(B|A)P(A)}{P(B)P(C|B)} P(A∣B,C)=P(B,C)P(A,B,C)=P(B)P(C∣B)P(C∣A,B)P(B∣A)P(A)
- 概率密度函数 PDF (Probability Density Function)
- 正态分布经常被缩写为 N ( x ; μ , σ 2 ) N(x;\mu,\sigma^2) N(x;μ,σ2)
- 多元正态分布 p ( x ) = d e t ( 2 π Σ ) − 1 2 e x p { − 1 2 ( x − μ ) T Σ − 1 ( x − μ ) } p(x)=det(2\pi\Sigma)^{-\frac{1}{2}} exp\{ -\frac{1}{2}(x-\mu)^T\Sigma^{-1}(x-\mu)\} p(x)=det(2πΣ)−21exp{−21(x−μ)TΣ−1(x−μ)}
- 条件概率 p ( x ∣ y ) = p ( x , y ) p ( y ) p(x|y)=\frac{p(x,y)}{p(y)} p(x∣y)=p(y)p(x,y)
- 贝叶斯公式
p
(
x
∣
y
)
=
p
(
y
∣
x
)
p
(
x
)
p
(
y
)
p(x|y)=\frac{p(y|x)p(x)}{p(y)}
p(x∣y)=p(y)p(y∣x)p(x)=
η
p
(
y
∣
x
)
p
(
x
)
\eta p(y|x)p(x)
ηp(y∣x)p(x)
- p ( x ∣ y ) p(x|y) p(x∣y)称为后验概率
- p ( y ∣ x ) p(y|x) p(y∣x)称为似然概率
- p ( x ) p(x) p(x)称为先验概率
- 通常把 1 p ( y ) \frac{1}{p(y)} p(y)1 称为归一化系数 η \eta η
- 协方差衡量的是偏离均值的二次方期望
- 熵
- H p ( x ) = E [ − log 2 p ( x ) ] H_p (x)=E[- \log_2p(x)] Hp(x)=E[−log2p(x)]
- 马尔可夫链(Markov chain),简单的一阶马氏性认为, k k k 时刻状态只与 k − 1 k-1 k−1 时刻状态有关,而与再之前的无关
-
z
t
1
:
t
2
=
z
t
1
,
z
t
1
+
1
,
z
t
1
+
2
,
z
t
1
+
3
,
.
.
.
,
z
t
2
z_{t_1:t_2}=z_{t_1},z_{t_1+1},z_{t_1+2},z_{t_1+3},... ,z_{t_2}
zt1:t2=zt1,zt1+1,zt1+2,zt1+3,...,zt2
- 表示从时间 t 1 t_1 t1 到时间 t 2 t_2 t2 获得的所有测量的集合
- 置信度
- 反应了机器人有关环境状态的内部信息
- 概率机器人通过条件概率分布表示置信度
- b e l ( x t ) = p ( x t ∣ z 1 : t , u 1 : t ) bel(x_t)=p(x_t|z_{1:t},u_{1:t}) bel(xt)=p(xt∣z1:t,u1:t)
- b e l ‾ ( x t ) = p ( x t ∣ z 1 : t − 1 , u 1 : t ) \overline{bel}(x_t)=p(x_t|z_{1:t-1},u_{1:t}) bel(xt)=p(xt∣z1:t−1,u1:t)这个概率通常被称为预测(prediction)
- 由 b e l ‾ ( x t ) \overline{bel}(x_t) bel(xt)计算 b e l ( x t ) bel(x_t) bel(xt)称为修正或者测量更新
参考:
视觉SLAM十四讲
多变量贝叶斯公式推导
状态估计公式9.5的推导