从贝叶斯滤波初览滤波家族

贝叶斯滤波算法它做的工作就是根据已有的信息来计算概率。
就是根据不断接收到的新信息和我提供的一些已经知道的统计值，来不断更新概率。更新概率值的方法是根据概率论中的条件概率计算公式来更新的。

贝叶斯滤波只是一个框架，这个框架就是在处理两个传感器数据融合时，将一个传感器数据用来预测下一时刻变量的状态（状态预测传感器），另一个传感器的数据当作观测用来校正预测的状态（状态更新传感器），最终获得当前时刻校正后的状态。一个激光SLAM中简单的例子就是：我们用里程计数据来预测下一时刻机器人的位姿，接着用激光数据来对预测的位姿就行校正，这样就获得了当前时刻状态的后验。

首先是条件概率的相关知识，一个基础公式如下：
P(AB)=P(A|B)P(B)=P(B|A)P(A)

然后对于贝叶斯滤波，有两个方面：

1. Xnew（当前状态后验值）=Xn（预测值或先验值）+Kn（卡尔曼系数）*（Zn-Xn）
   Zn是激光雷达做出的观测值，用来校正估计值以得到后验值。

2. P(xt​∣zt​,ut​,xt−1​)=ηP(zt​∣xt​)P(xt​∣ut​,xt−1​)。
   这个推导过程是很容易实现的，只需要不停运用条件概率公式并且用独立性化简就行。

具体可参考文章：https://blog.csdn.net/varyshare/article/details/97642209

公式化表述：
上面是贝叶斯滤波的算法流程：算法的核心在第3行和第4行，分别代表状态预测和测量更新。先解释一下第3行，这是一个全概率公式也可以叫做卷积公式。具体来讲就是我们有上一时刻状态
结合控制信息ut来获得当前时刻状态的先验也就是。这里bel表示置信度。
第4行使用贝叶斯公式，将逆向问题转换成正向问题进行求解。通过观测来校正状态的先验，从而获得当前时刻状态的后验信息。

参考文章原文链接：https://blog.csdn.net/liuyanpeng12333/article/details/81838148

从图中我们可以看到得到的后验状态值（紫色）是介于预测值和观测值之间的，通过调整系数我们就可以得到更接近真实值的结果了（bel）。

这几种滤波里面，以卡尔曼滤波最为著名，虽然现在普遍认为图优化比滤波要好，但是滤波这种思想，还是值得学习的。