贝叶斯判别分析的基本步骤_环境感知算法-目标追踪1.2- 贝叶斯方法

1. 频率派 vs 贝叶斯 统计学

贝叶斯统计学十分庞大，这里我们只需一个概览。

在自动驾驶环境感知中，我们的目的想要通过一系列的观测来描述我们感兴趣的未知量，解决估计，分类，检测等问题时，比如追踪经常关心的是估计某物体距离我们的位置和速度等。这是其实是统计推断问题。有频率学派和贝叶斯学派两大学派来解决这个问题。

频率主义学派： 认为未知量是确定的，而不是随机的。x是一个确定值。比如如果我们测量了多次，可以取平均来表示x。

贝叶斯学派：用随机变量表示未知量，并可以描述不确定性。我们可以通过一些提前了解的只是结合观测建模得到x的一个概率分布，可以了解它最可能出现的位置，以及有多大的可能性。

尽管在有些问题中，频率派和贝叶斯派经常会给出相同的结论，在复杂的情况比如无人驾驶，我们多用的是贝叶斯方法解决问题。卡尔曼滤波的诞生也是基于贝叶斯方法的。

2. 贝叶斯方法的关键步骤

假设我们的未知量是x，观测为y。贝叶斯方法主要有三大步。

1. 建模 我们需要两个模型。第一个模型用来描述不进行任何观测的时候，我们已经了解的关于x的信息。比如一个卡车的高度，无需测量我们知道它大致是个4m-7m的高度，然后可以描述它的分布，p(x)，这就是先验分布。第二个