协方差
用来衡量两个变量的总体误差(一个变量增大,另一个变量是否也增大),而方差是协方差的一种特殊情况(两个变量相等)
- 协方差计算公式:
C o v ( X , Y ) = E [ ( x − E ( x ) ) ( Y − E ( Y ) ) ] = E ( X Y ) − E ( X ) E ( Y ) Cov(X,Y)=E[(x-E(x))(Y-E(Y))]=E(XY)-E(X)E(Y) Cov(X,Y)=E[(x−E(x))(Y−E(Y))]=E(XY)−E(X)E(Y)
若两个变量相互独立,则协方差为零(反过来不成立),若为正,两个变量正相关,反之亦然。
协方差矩阵
指各个元素之间的协方差,是从标量随机变量到高维随机向量的自然推广。
- 协方差矩阵元素计算公式:
c i j = C o v ( X i , X j ) c_{ij}=Cov(X_i,X_j) cij=Cov(Xi,Xj)
特征:协方差矩阵一定是一个对称的方阵,对角线的因子其实就是变量的方差。 - 求一组数据 X n × m X_{n\times m} Xn×m的协方差矩阵,其中n代变量的n个属性,m代表m次样本观测。
协方差矩阵的理解
均值可看作对变量最优值的估计,而协方差矩阵则度量了它的不确定性
- 在EKF滤波中,对角元素代表整体的不确定度,画成椭圆就是和椭圆的平均半径有关。
- 非对角元素越大,椭圆越椭。一方面说明某些变量的相关度变大了,但本质是本来一个大大的正圆的两侧被消掉了,所以变成了椭圆,所以本质是不确定度变小了。
- 使用EKF的时候观察协方差的变化,经常是一个对角矩阵,对角元素的值越来越小,非对角元素的值越来越大。
状态估计中的协方差矩阵
-
观察方程中只要一个观察值同时有多个状态影响,就会在这些状态间产生相关性。所以如果只有一个观察量,对应只有一个方程的化。这个方程的变量之间一定是有无穷多个解的。
-
使用这个方程更新协方差后,虽然得不出来具体一个值,但是协方差的某些区域不确定度变小了,正圆也就变成椭圆了。这些变量之间也就产生的相关性。
-
仍然可以用协方差的椭圆图像来理解。update之前的状态不确定度对应一个椭圆,观察量对应一个椭圆。像个椭圆叠加相乘。如果观察量对应的不确定度是个椭圆,而状态不确度是个正圆。相乘后结果也是椭圆。要怎么把椭圆变成更小的元呢?那就需要再乘一个不同方向的椭圆。这个就对应增加了观察量(多了方程)。不管是同时更新(一个时刻观察到很多landmark)。还是下一个时刻从另外一个方向观察(状态发生变化,线性化后的H矩阵也变化了)
矩阵
协方差的使用
在计算马氏距离时,一般需要用到协方差矩阵。这个距离和欧氏距离相似,但是在距离计算中引入了协方差矩阵的逆作为权重
- 马氏距离计算公式:
( x − μ ) T Σ − 1 ( x − μ ) (x-\mu)^T\Sigma^{-1}(x-\mu_) (x−μ)TΣ−1(x−μ) - 马氏距离可以从两个方面来理解:1)对于不确定度越高的的变量,其协方差越大,取逆表示对该变量的权重越小,符合逻辑2)对于不同变量,其尺度范围不同,取逆后可以使变量的方差归一化,便于度量"实际距离“。