递归状态估计-概率

2022-1-15更新

• 随机变量的随机表示常用 $p(x)=p(X=x)$
• 常用公式
  • $P(A)=P(A|B_1)+P(A|B_2)+...+P(A|B_n)$
  • $P(AB)=P(A,B)=P(A)P(B|A)=P(B)P(A|B)$
    • 贝叶斯公式第一个版本 $P(B|A)=\frac{P(A,B)}{P(A)}=\frac{P(B)P(A|B)}{P(A)}$
    • 贝叶斯公式第二个版本 $P(B_i|A)=\frac{P(A,B_i)}{P(A)}=\frac{P(B_i)P(A|B_i)}{{\sum }_{i=1}^{n}P(B_i)P(A|B_i)}$
  • $P(A,B,C)=P(C,A,B)=P(C|A,B)P(A,B)=P(C|A,B)P(B,A)=P(C|A,B)P(B|A)P(A)$
    • 多变量贝叶斯公式 $P(A|B,C)=\frac{P(A,B,C)}{P(B,C)}=\frac{P(C|A,B)P(B|A)P(A)}{P(B)P(C|B)}$
• 概率密度函数 PDF (Probability Density Function)
• 正态分布经常被缩写为 $N(x;\mu ,{\sigma }^2)$
• 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)−21​exp{−21​(x−μ)TΣ−1(x−μ)}
• 条件概率 $p(x|y)=\frac{p(x,y)}{p(y)}$
• 贝叶斯公式$p(x|y)=\frac{p(y|x)p(x)}{p(y)}$=$\eta p(y|x)p(x)$
  • $p(x|y)$称为后验概率
  • $p(y|x)$称为似然概率
  • $p(x)$称为先验概率
  • 通常把 $\frac{1}{p(y)}$ 称为归一化系数 $\eta$
• 协方差衡量的是偏离均值的二次方期望
• 熵
  • $H_p(x)=E[-{\log }_{2}p(x)]$
• 马尔可夫链(Markov chain)，简单的一阶马氏性认为，$k$ 时刻状态只与 $k-1$ 时刻状态有关，而与再之前的无关
• $z_{t_1:t_2}=z_{t_1},z_{t_1+1},z_{t_1+2},z_{t_1+3},...,z_{t_2}$
  • 表示从时间 $t_1$ 到时间 $t_2$ 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
  • $bel(x_t)=p(x_t|z_{1:t},u_{1:t})$
  • $\overline{bel}(x_t)=p(x_t|z_{1:t-1},u_{1:t})$这个概率通常被称为预测(prediction)
  • 由$\overline{bel}(x_t)$计算 $bel(x_t)$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