- 离散时间的批量估计
- 离散时间的递归平滑算法
- 离散时间的滤波算法
- 连续时间的批量估计
https://www.tipsonunix.com/2021/04/how-to-install-linux-kernel-5-12-in-ubuntu-linux-mint/
<一> 离散时间的批量估计问题
1. 线性高斯系统
2. 批量问题的解法
贝叶斯推断,用高斯分布去近似;
最大后验估计,没有要求是高斯分布。
两者在高斯分布的情况下是一样的,但在非高斯分布的情况下有所不同。
v
v
v是输入,是个已知量,不是随机变量,因此它在推导中一直被放在随机变量后面。且
v
v
v是通过作用于
x
x
x在作用于
y
y
y的,与
y
y
y没有直接关系,所以在同时有
x
x
x和
v
v
v作为已知条件的情况下可以把
v
v
v去掉。
哭了,这个就是我需要的公式。
x
0
∼
N
(
x
0
ˇ
,
P
0
ˇ
)
p
(
x
0
∣
x
0
ˇ
)
=
1
(
2
π
)
N
d
e
t
(
P
ˇ
)
e
x
p
(
−
1
2
(
x
0
−
x
0
ˇ
)
T
P
0
ˇ
−
1
(
x
0
−
x
0
ˇ
)
)
x_0 \sim N(\check{x_0},\check{P_0}) \\p(x_0|\check{x_0}) = \frac{1}{\sqrt{(2\pi)^N det(\check{P})}} exp(-\frac{1}{2}(x_0-\check{x_0})^T{\check{P_0}^{-1}(x_0- \check{x_0})})
x0∼N(x0ˇ,P0ˇ)p(x0∣x0ˇ)=(2π)Ndet(Pˇ)1exp(−21(x0−x0ˇ)TP0ˇ−1(x0−x0ˇ))
x
k
∼
N
(
A
k
−
1
x
k
−
1
+
v
k
,
Q
k
)
p
(
x
k
∣
x
k
−
1
,
v
k
)
与
上
面
类
似
x_k \sim N(A_{k-1}x_{k-1}+v_k,Q_k) \\p(x_k|x_{k-1},v_k)与上面类似
xk∼N(Ak−1xk−1+vk,Qk)p(xk∣xk−1,vk)与上面类似
y
k
∼
N
(
C
k
x
k
,
R
k
)
p
(
y
k
∣
x
k
)
与
上
面
类
似
y_k \sim N(C_kx_k,R_k) \\p(y_k|x_k) 与上面类似
yk∼N(Ckxk,Rk)p(yk∣xk)与上面类似
无论是
J
v
,
k
J_{v,k}
Jv,k还是
J
y
,
k
J_{y,k}
Jy,k都是二次型,也可以理解为平方误差(即二乘)的形式,它们都是一个标量。
把所有时刻下的运动和观测方程写在一起