从高斯分布到信息矩阵
某个状态
如果知道机器人状态的先验信息
通过最大后验概率估计,获得系统状态的最优估计:
在之前我写的卡尔曼滤波中公式部分同样使用了最大后验概率估计。在本问题中,在系统状态
后验公式(2)状态量与分母无关,最大后验变成:
即对等式右侧取对数
假设观测值服从多元高斯分布:
故有:
此最小二乘的求解可以使用增量方程:(下式应该很好理解,
多元高斯分布多元高斯分布(The Multivariate normal distribution)www.cnblogs.com
零均值的多元高斯分布:
若变量间相互独立,那么除主对角线以外元素都为 0。在上讲中用连续时间下的狄拉克函数
Examples [1]
Example 1
根据此描述,写出协方差矩阵:
其中:
此外
公式可以通过方差的性质直接写出:
上述这部分在论文中是这样书写的:(K就是
随后计算该协方差矩阵的逆:
推导应该是很容易理解的,
若室内外温度正相关
- 协方差中非对角元素
表示两变量正相关。
- 信息矩阵中非对角元素为负数,为零。
表示在发生的前提下,元素正相关。
Example 2
图中可见是两个变量控制一个变量,比如三角化,用两个相机 pose 计算特征三维坐标的深度:
论文中是这样↓的:
但是论文对逆矩阵
- 虽然
不相关,但是他们的信息矩阵对应元素并不为 0。
- 而当
时,即对应信息矩阵变量在另一变量发生的前提下,成负相关。本例中从公式就可以看出,当确定时,越大,越小。
从 Example 1 去除变量
由于公式是这样的:
矩阵对称的不要忘记!这样就变成了一个
则是删去与
舒尔补应用:边际概率,条件概率
舒尔补 [2] 定义
给定任意的分块矩阵
- 如果,矩阵块
是可逆的,则称之为关于的舒尔补。
- 如果,矩阵块
是可逆的,则称之为关于的舒尔补。
是不是很熟悉,在十四讲第二版的第 248-251 页,求解稀疏矩阵时就用到了舒尔补进行边缘化,将观测点 marginalize 使得改进了原先使用的 EKF 方法,使得 BA 能够实时计算。
如何得到舒尔补的形式
将
其中:
反过来还能恢复成矩阵
舒尔补应用于多元高斯分布
设多元变量
其中
从上式可知:
从上式(23)可以得到信息矩阵
可以总结出
- 条件概率
的信息矩阵为:。
- 边际概率
的信息矩阵为:。是边际概率的信息矩阵,是联合信息矩阵的部分矩阵块。
用求得的结论验证 example 1 的边缘化形式:
从联合分布
与删去颜色得到的完全一致!
总结部分我直接截了贺博课件的图如下:
参考
- ^David Mackay. "The humble Gaussian distribution". In: (2006) https://people.montefiore.uliege.be/geurts/Cours/AML/Readings/humble.pdf
- ^Schur Complement https://en.wikipedia.org/wiki/Schur_complement