【概率机器人】通俗易懂地理解贝叶斯滤波

前言

最近在看《概率机器人》这本书，可能这本书太老了，并没有很多参考资料，所以想把所学的难点整理下加深理解。

概率机器人中的所有算法都是基于一个数学基础：贝叶斯滤波。所以搞懂了贝叶斯滤波，也就为看懂这本书奠定了很好的基础。

贝叶斯准则

首先讲讲贝叶斯准则，书里面有一个公式非常重要，但并没有实际的推导过程，这个公式就是：
$$p(x|y,z)=\frac{p(y|x,z)p(x|z)}{p(y|z)}$$
这个公式是怎么来的呢？作者省略了中间过程，所以感觉看的一头雾水，那就试着来推导下吧。

不过在这之前，我们先来看一下概率论中 联合概率 和 条件概率

联合概率：x和y同时出现的概率，用数学公式表示就是 $p(x,y)$

条件概率：在y出现的情况下，x出现的概率，用数学公式表示就是 $p(x|y)$。重要的是它的计算公式 $p(x|y)=\frac{p(x,y)}{p(y)}$，这个应该不难理解吧(hhh)，为什么重要呢？因为公式左边是条件概率，右边分子是联合概率，所以公式把联合概率和条件概率结合起来了，可以互相计算。也就是我们还可以得到计算联合概率的公式 $p(x,y)=p(x|y)p(y)=p(y|x)p(x)$，然后我们就可以得到简单的贝叶斯准则

贝叶斯准则：$p(x|y)=\frac{p(y|x)p(x)}{p(y)}$

好了，我们来推导 $p(x|y,z)=\frac{p(y|x,z)p(x|z)}{p(y|z)}$ 这个公式：

1. 公式左边 $p(x|y,z)$ 表示在y和z发生的情况下，x发生的概率，这是一个条件概率，所以利用条件概率计算公式将 $p(x|y,z)$ 展开，得到：
   $$p(x|y,z)=\frac{p(x,y,z)}{p(y,z)}$$

2. 上式右边分子和分母都是联合概率，可以将它们展开为条件概率：
   分母为：
   $$p(x,y,z)=p(y|x,z)p(x,z)$$
   其中 $p(x,z)$ 也是联合概率，可以展开为 $p(x,z)=p(x|z)p(z)$。
   所以 $p(x,y,z)=p(y|x,z)p(x|z)p(z)$
   分子为：
   $$p(y,z)=p(y|z)p(z)$$

3. 将以上联立起来就可以得到书上的公式：
   $$p(x|y,z)=\frac{p(x,y,z)}{p(y,z)}=\frac{p(y|x,z)p(x,z)}{p(y|z)p(z)}=\frac{p(y|x,z)p(x|z)p(z)}{p(y|z)p(z)}=\frac{p(y|x,z)p(x|z)}{p(y|z)}$$

参考

https://zhuanlan.zhihu.com/p/122307317