state space model & filtering

state space model, 即状态空间模型, 运动模型用于衡量状态向量$x_k$随时间变化的表示，测量模型连接了状态与观测的关系
离散时间下的状态空间模型可表示为:
$$\{\begin{array}{l}\begin{array}{c}{\mathbf{x}}_k=f_{k-1}({\mathbf{x}}_{k-1},{\mathbf{q}}_{k-1})\\ {\mathbf{y}}_k=h_k({\mathbf{x}}_k,{\mathbf{r}}_k)\end{array}\end{array}$$
其中, ${\mathbf{q}}_{k-1}$表示运动过程噪声, ${\mathbf{r}}_k$表示测量过程噪声

其等价的 概率表示形式为:
$$\{\begin{array}{l}\begin{array}{c}p({\mathbf{x}}_k|{\mathbf{x}}_{k-1})\\ p({\mathbf{y}}_k|{\mathbf{x}}_k)\end{array}\end{array}$$

$\Rightarrow$ 进一步，给这个一般性的状态空间模型一定假设，假设 ${\mathbf{q}}_{k-1}$, ${\mathbf{r}}_k$ 与其他所有噪声向量独立

等价的，在概率表示下的假设为，当前状态$x_k$ 与 以往时间下所有状态 $x_i(i=\mathrm{0...}n-1)$ 相互独立，即:
$$\{\begin{array}{l}p({\mathbf{x}}_k|{\mathbf{x}}_{0:k-1};{\mathbf{y}}_{1:k-1})=p({\mathbf{x}}_k|{\mathbf{x}}_{k-1})\\ p({\mathbf{y}}_k|{\mathbf{x}}_{0:k};{\mathbf{y}}_{1:k-1})=p({\mathbf{y}}_k|{\mathbf{x}}_{k-1})\end{array}$$
 由于 $x_k$, $y_k$ J均为随机过程，基于以上假设，$x_k$ 是一个 Markov 过程

$\Rightarrow$ 再一次，明确目标: 给定一系列观测，计算 $x_k$ 的后验概率 $P(x_k|y_{1:k})$

使用 贝叶斯网络 简化 这一过程:
$$\begin{array}{rl}P(x_{0:k},y_{1:k})& =P(y_{1:k}|x_{0:k})P(x_{1:k})\\ & =P(y_1|x_{0:k})P(y_2|y_1,x_{0:k})\dots P(y_k|y_{1:k-1}{x}_{0:k})p(x_0)P(x_1|x_0)P(x_2|x_{0:1})\dots P(x_k|x_{0:k-1})\\ & =P(y_1|x_1)P(y_2|x_2)\dots P(y_k|x_k)p(x_0)P(x_1|x_0)\dots P(x_k|x_{k-1})\end{array}$$
即将此后验概率表示为一系列 单个测量模型，先验，单个运动模型的乘积

$\Rightarrow$ 进一步，由于 $x_k$ 具备 Markov 性，给定 $k-1$ 时刻的状态 $x_{k-1}$，则 $k$ 时刻的状态 $x_k$ 独立于此前所有时刻的状态 与观测，即
$$p({\mathbf{x}}_k|{\mathbf{x}}_{0:k-1},{\mathbf{y}}_{1:k-1})=p({\mathbf{x}}_k|{\mathbf{x}}_{k-1})$$

那么就可以考虑仅使用前一时刻的状态来 更新 当前时刻的状态

$\Rightarrow$ 如下图所示

有了前一个时刻后验概率 和 条件概率假设，就可以对当前状态做预测(全概率公式)
$$\begin{array}{rl}P(x_k|y_{1:k-1})& =\int P(x_k,x_{k-1}|y_{1:k-1})d{x}_{k-1}\\ & =\int P(x_k|x_{k-1},y_{1:k-1})P(x_{k-1}|y_{1:k-1})d{x}_{k-1}\\ & =\int P(x_k|x_{k-1})P(x_{k-1}|y_{1:k-1})d{x}_{k-1}\end{array}$$
 其中，$\because$ $x_k$ 以 $x_{k-1}$为条件，且 $x_k$ 独立于 $y_{1:k-1}$，可得 $P(x_k|x_{k-1},y_{1:k-1})=P(x_k|x_{k-1})$

更新过程，根据贝叶斯法则，其结果符合一般性的法则，即后验概率 $\propto$ 似然 $\times$ 先验概率
即：
$$\begin{array}{rl}P(x_k|y_{1:k})& =\frac{P(y_k|x_k,y_{1:k-1})P(x_k|y_{1:k-1})}{P(y_k|y_{1:k-1})}\\ & \propto P(y_k|x_k)P(x_k|y_{1:k-1})\end{array}$$

如此，便构成了卡尔曼滤波模型所需的基础与条件。