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:
∫abp(x)dx=1
随机变量在在某区间的积分即为概率:
Pr(c<=x<=d)=∫cdp(x)dx
• 条件概率:
(∀y),Pr(c<=x<=d)=∫cdp(x∣y)dx
• 联合概率:
p(x1,x2,x3……xN)
联合概率也满足全概率公理:
∫abp(x)dx=∫aNbN…∫a2b2∫a1b1p(x1,x2……xN)dx1dx2…dxN
• 贝叶斯公式:
联合=条件*边缘
p(x,y)=p(x∣y)∗p(y)=p(y∣x)∗p(x)
p(x∣y)=p(y)p(y∣x)∗p(x)
• 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[xyT]=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
p1(x)和
p2(x)是关于x的两个分布,那么它们的归一化积为:
p(x)=ηp1(x)p2(x),
η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∣μ,δ)=2πδ2
1exp(−21δ2(x−μ)2)
• 联合高斯分布:
p(x,y)=N([μxμy],[σxxσyxσxyσyy])
• 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:
[σxxσyxσxyσyy]=[10σxyσyy−11][σxx−σxyσyy−1σyx00σyy][1σyy−1σyx01]
两边求逆:
[σxxσyxσxyσyy]−1=[1−σyxσyy−101][[σxx−σxyσyy−1σyx]−100σyy−1][10−σyy−1σxy1]
• 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(μx,σxx)
y=Gx,则y分布为:
y~
N(Gμx,GμxxGT)
• 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(μx,σxx)
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
μx处对g进行线性化可得:
g(x)≈μy+G(x−μx),G为g(x)在
x=μx处的雅克比矩阵,最后可得:
y~
N(g(x),R+GσxxGT)
• 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