状态估计第一讲：概述与基础知识

来源：深蓝学院《机器人学中的状态估计》

状态估计简介

状态估计在自动控制系统里的作用：

• 状态估计，是根据系统的先验模型和测量序列，对系统内在状态进行重构的问题

概率密度函数

我们定义x为区间[a,b]上的随机变量，服从某个概率密度函数p(x),那么这个非负函数必然满足:
${\int }_a^{b}p\left(x\right)\text{d}x=1$
随机变量在在某区间的积分即为概率：
$Pr(c<=x<=d)={\int }_c^{d}p\left(x\right)\text{d}x$
• 条件概率:
$(\forall y),Pr(c<=x<=d)={\int }_c^{d}p\left(x|y\right)\text{d}x$
• 联合概率:
$p\left(x_1,x_2,x_3\dots \dots x_N\right)$
联合概率也满足全概率公理:
${\int }_a^{b}p\left(x\right)\text{d}x={\int }_{a_N}^{b_N}\dots {\int }_{a_2}^{b_2}{\int }_{a_1}^{b_1}p\left(x_1,x_2\dots \dots x_N\right)\text{d}{x}_1\text{d}{x}_2\dots \text{d}{x}_N$
• 贝叶斯公式：
联合=条件*边缘
$p\left(x,y\right)=p\left(x|y\right)\ast p\left(y\right)=p\left(y|x\right)\ast p\left(x\right)$
$p\left(x|y\right)=\frac{p\left(y|x\right)\ast p\left(x\right)}{p\left(y\right)}$
• 赋予该式物理意义：x=状态，y=传感器读数，p(y|x)=传感器模型，p(x|y)=状态估计
• 矩（moments）:
• 0阶矩恒等于1
• 1阶矩称为期望（Expectation）
• 2阶矩称为协方差（Covariance）
• 3阶和4阶称为偏度（skewness）和峰度（kurtosis）
• 随机变量的统计独立性:
随机变量x,y满足:$p(x,y)=p(x)p(y)$
• 随机变量不相关性:
$E[x{y}^T]=E[x]E[y{]}^T$
• 独立性可推出不相关性，反之不行
• 对于高斯分布来说，独立性=不相关性
• 归一化积：
融合多个概率分布的时候需要用到归一化积，若 $p_1(x)$和$p_2(x)$是关于x的两个分布，那么它们的归一化积为:
$p(x)=\eta p_1(x)p_2(x)$,$\eta$是归一化因子，使得概率积分为1。

高斯概率密度函数

• 一维高斯概率分布：
$p(x|\mu ,\delta )=\frac{1}{\sqrt{2\pi {\delta }^2}}\exp (-\frac{1}{2}\frac{(x-\mu {)}^2}{{\delta }^2})$

• 联合高斯分布：
$p(x,y)=N(\left[\begin{array}{c}{\mu }_x\\ {\mu }_y\end{array}\right],\left[\begin{array}{cc}{\sigma }_{xx}& {\sigma }_{xy}\\ {\sigma }_{yx}& {\sigma }_{yy}\end{array}\right])$
• 高斯推断：
对联合概率分布的协方差矩阵进行三角化然后求逆可得：

$\left[\begin{array}{cc}{\sigma }_{xx}& {\sigma }_{xy}\\ {\sigma }_{yx}& {\sigma }_{yy}\end{array}\right]=\left[\begin{array}{cc}1& {\sigma }_{xy}{\sigma }_{yy}^{-1}\\ 0& 1\end{array}\right]\left[\begin{array}{cc}{\sigma }_{xx}-{\sigma }_{xy}{\sigma }_{yy}^{-1}{\sigma }_{yx}& 0\\ 0& {\sigma }_{yy}\end{array}\right]\left[\begin{array}{cc}1& 0\\ {\sigma }_{yy}^{-1}{\sigma }_{yx}& 1\end{array}\right]$
两边求逆：
${\left[\begin{array}{cc}{\sigma }_{xx}& {\sigma }_{xy}\\ {\sigma }_{yx}& {\sigma }_{yy}\end{array}\right]}^{-1}=\left[\begin{array}{cc}1& 0\\ -{\sigma }_{yx}{\sigma }_{yy}^{-1}& 1\end{array}\right]\left[\begin{array}{cc}{[{\sigma }_{xx}-{\sigma }_{xy}{\sigma }_{yy}^{-1}{\sigma }_{yx}]}^{-1}& 0\\ 0& {\sigma }_{yy}^{-1}\end{array}\right]\left[\begin{array}{cc}1& -{\sigma }_{yy}^{-1}{\sigma }_{xy}\\ 0& 1\end{array}\right]$


• 高斯分布的独立性和不相关性： 互相等价
• 高斯分布的线性变换：
高斯分布x~$N({\mu }_x,{\sigma }_{xx})$
y=Gx,则y分布为:
y~$N(G{\mu }_x,G{\mu }_{xx}{G}^T)$
• 高斯分布的归一化积
• 高斯分布的非线性变换：
高斯分布x~$N({\mu }_x,{\sigma }_{xx})$
y=g(x)为非线性变换,则y分布为:
$p(y|x)$~$N(g(x),R)$,g为非线性变换，且受到噪声R干扰，在${\mu }_x$处对g进行线性化可得：
$g(x)\approx {\mu }_y+G(x-{\mu }_x)$,G为g(x)在$x={\mu }_x$处的雅克比矩阵，最后可得:
y~$N(g(x),R+G{\sigma }_{xx}{G}^T)$
• 高斯过程：
非常烧脑，提供一些资料如下：
高斯过程在连续时间SLAM与运动规划中的应用
图文详解高斯过程