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