贝叶斯滤波与matlab实现小机器人定位

贝叶斯滤波

1. 概率基础回顾

条件概率：
$$\begin{gathered} p(x|y)=p(x,y)/p(y) \\ p(x,y)=p(x|y)p(y)=p(y|x)p(x) \end{gathered}$$
全概率公式：
$$p(x)=\sum _{y}p(x,y)=\sum _{y}p(x|y)p(y)$$
全概率公式的意义在于，当某一事件的概率难以求得时，可转化为在一系列条件下发生概率的和。

2. 贝叶斯公式

2.1 贝叶斯公式

基于条件概率公式和全概率公式，我们可以导出贝叶斯公式：
$$
\begin{array}{c} P(x,y) = P(x|y)P(y) = P(y|x)P(x)\
\Rightarrow \

\end{array}
$$

$$P(x|y)=\frac{P(y|x)P(x)}{P(y)}=\frac{P(y|x)P(x)}{\sum _{y}p(x|y)p(y)}$$

• 这里x是某种状态，y 是某种预观测。下面例子中 x 代表门开关，y 代表距离z
• 我们称P(y|x)为causal knowledge（因果知识），意即由x的已知情况，就可以推算y发生的概率，例如在图2的例子中，已知如果门开着，则z=0.5m的概率为0.6；如果门关着，则z=0.5m的的概率为0.3。
• P(x) 为prior knowledge，先验概率。可以设开关概率都是 0.5。
• P(x|y) 是基于观测对状态的诊断或推断。贝叶斯公式的本质就是利用causal knowledge和prior knowledge来进行状态推断或推理

2.2 贝叶斯公式的计算

可以把分母项看成归一化系数 $\eta$
$$\begin{array}{l}P(x|y)=\frac{P(y|x)P(x)}{P(y)}=\eta P(y|x)P(x)\\ \eta =P(y{)}^{-1}=\frac{1}{\sum _{x}P(y|x)P(x)}\end{array}$$
Algorithm:
∀ x : a u x x ∣ y = P ( y ∣ x )    P ( x ) η = 1 ∑ x a u x x ∣ y