(一):细说贝叶斯滤波:Bayes filters |
您所在的位置:网站首页 › 贝叶斯估计有哪些基本假设 › (一):细说贝叶斯滤波:Bayes filters |
认知计算,还要从贝叶斯滤波的基本思想讲起,本文主要是对《Probabilistic Robotics》中贝叶斯滤波器部分的详细讲解。 这一部分,我们先回顾贝叶斯公式的数学基础,然后再来介绍贝叶斯滤波器。 (一). 概率基础回顾我们先来回顾一下概率论里的基本知识: 1. \( X \): 表示一个随机变量,如果它有有限个可能的取值\( \{x_1, x_2, \cdots, x_n \} \). 2. \( p(X=x_i) \):表示变量\( X \)的值为 \( x_i \)的概率。 3. \( p(\cdot) \):称为概率质量函数(probability mass function). 例如:一个家里有3个房间,机器人在各个房间的概率为 \( p(room)=\{0.1, 0.3, 0.6\} \). 4. 如果\( X \)在连续空间取值,\( p(x) \)称为概率密度函数(probability density function), $$p (x \in (a,b)) = \int\limits_a^b {p(x)dx} $$ 图1. 概率密度函数曲线示例 5. 联合概率:$ p(X=x ~~\textrm{and} ~~Y=y) = p(x,y) $,称为联合概率密度分布。如果$X$和$Y$是相互独立的随机变量,$p(x,y)=p(x)p(y)$。 6. 条件概率:$ p(X=x|Y=y) $ 是在已知$Y=y$的条件下,计算$X=x$的概率。 $$ p(x|y)=p(x,y)/p(y)$$ $$ p(x,y)=p(x|y)p(y)=p(y|x)p(x)$$ 如果$x$和$y$相互独立,则: $$ p(x|y)=p(x)$$ 7. 全概率公式: 离散情况下: $$p(x) = \sum\limits_y {p(x,y)}=\sum\limits_y {p(x|y)p(y)} $$ 连续情况下: $$p(x) = \int {p(x,y)\;dy} = \int {p(x|y)p(y)\;dy} $$ (二). 贝叶斯公式 2.1 贝叶斯公式基于条件概率公式和全概率公式,我们可以导出贝叶斯公式: $$\begin{array}{c}P(x,y) = P(x|y)P(y) = P(y|x)P(x)\\\Rightarrow \\P(x\,\left| {\,y} \right.) = \frac{{P(y|x)\,\,P(x)}}{{P(y)}} = \frac{{{\textrm{causal knowledge}} \cdot {\textrm{prior knowledge}}}}{{{\textrm{prior knowledge}}}}\end{array}$$ 这里面$x$一般是某种状态;$y$一般是代表某种观测。 我们称${P(y|x)}$为causal knowledge,意即由$x$的已知情况,就可以推算$y$发生的概率,例如在图2的例子中,已知如果门开着,则$z=0.5m$的概率为0.6;如果门关着,则$z=0.5m$的的概率为0.3。 我们称${P(x)}$为prior knowledge,是对$x$的概率的先验知识。例如在图2的例子中,可设门开或关的概率各占$50\%$. ${P(x|y)}$是基于观测对状态的诊断或推断。贝叶斯公式的本质就是利用causal knowledge和prior knowledge来进行状态推断或推理。例1: 在图2所示的例子中,机器人根据观测的到门的距离,估算门开或关的概率,若测量到门的距离为$z=0.5m$,则可用条件概率描述门开着的概率: $$P(\textrm{open}|z=0.6) = ?$$ 图 2.机器人根据观测计算门开或关的概率 $$\begin{array}{l}P(open|z=0.5) = {\textstyle{{P(z|open)P(open)} \over {P(z)}}}{~~~~\rm{ |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |