从贝叶斯公式到卡尔曼滤波

定义：

1）是物体当前状态为的概率，这个概率为先验概率，依赖于系统模型，需要对系统进行建模，卡尔曼滤波认为这个模型是线性模型；

2）指当物体处于这个状态时，传感器测量值为的概率。这个概率是似然概率，取决于观测模型，需要进行数学建模，比如卡尔曼滤波设计的模型就是一个高斯分布（正态分布）。

那么根据贝叶斯公式，后验概率如下：

根据前面文章的分析，是一个与无关的常量，可以用表示，所以上式可以进一步地写为：

式子中的为归一化变量，该值的大小需满足所有概率相加为1或者概率密度函数在整个区间的积分为1。

贝叶斯滤波运用的就是这个公式，卡尔曼滤波也是如此。卡尔曼滤波是贝叶斯滤波的一种特例，是一种“线性模型”+“高斯分布”下的贝叶斯滤波。