狀態估計簡介
狀態估計在自動控制系統裏的作用:
• 狀態估計,是根據系統的先驗模型和測量序列,對系統內在狀態進行重構的問題
概率密度函數
我們定義x爲區間[a,b]上的隨機變量,服從某個概率密度函數p(x),那麼這個非負函數必然滿足:
∫abp(x)dx=1
隨機變量在在某區間的積分即爲概率:
Pr(c<=x<=d)=∫cdp(x)dx
• 條件概率:
(∀y),Pr(c<=x<=d)=∫cdp(x∣y)dx
• 聯合概率:
p(x1,x2,x3……xN)
聯合概率也滿足全概率公理:
∫abp(x)dx=∫aNbN…∫a2b2∫a1b1p(x1,x2……xN)dx1dx2…dxN
• 貝葉斯公式:
聯合=條件*邊緣
p(x,y)=p(x∣y)∗p(y)=p(y∣x)∗p(x)
p(x∣y)=p(y)p(y∣x)∗p(x)
• 賦予該式物理意義:x=狀態,y=傳感器讀數,p(y|x)=傳感器模型,p(x|y)=狀態估計
• 矩(moments):
• 0階矩恆等於1
• 1階矩稱爲期望(Expectation)
• 2階矩稱爲協方差(Covariance)
• 3階和4階稱爲偏度(skewness)和峯度(kurtosis)
• 隨機變量的統計獨立性:
隨機變量x,y滿足:p(x,y)=p(x)p(y)
• 隨機變量不相關性:
E[xyT]=E[x]E[y]T
• 獨立性可推出不相關性,反之不行
• 對於高斯分佈來說,獨立性=不相關性
• 歸一化積:
融合多個概率分佈的時候需要用到歸一化積,若 p1(x)和p2(x)是關於x的兩個分佈,那麼它們的歸一化積爲:
p(x)=ηp1(x)p2(x),η是歸一化因子,使得概率積分爲1。
高斯概率密度函數
• 一維高斯概率分佈:
p(x∣μ,δ)=2πδ21exp(−21δ2(x−μ)2)
• 聯合高斯分佈:
p(x,y)=N([μxμy],[σxxσyxσxyσyy])
• 高斯推斷:
對聯合概率分佈的協方差矩陣進行三角化然後求逆可得:
[σxxσyxσxyσyy]=[10σxyσyy−11][σxx−σxyσyy−1σyx00σyy][1σyy−1σyx01]
兩邊求逆:
[σxxσyxσxyσyy]−1=[1−σyxσyy−101][[σxx−σxyσyy−1σyx]−100σyy−1][10−σyy−1σxy1]
• 高斯分佈的獨立性和不相關性: 互相等價
• 高斯分佈的線性變換:
高斯分佈x~N(μx,σxx)
y=Gx,則y分佈爲:
y~N(Gμx,GμxxGT)
• 高斯分佈的歸一化積
• 高斯分佈的非線性變換:
高斯分佈x~N(μx,σxx)
y=g(x)爲非線性變換,則y分佈爲:
p(y∣x)~N(g(x),R),g爲非線性變換,且受到噪聲R干擾,在μx處對g進行線性化可得:
g(x)≈μy+G(x−μx),G爲g(x)在x=μx處的雅克比矩陣,最後可得:
y~N(g(x),R+GσxxGT)
• 高斯過程:
非常燒腦,提供一些資料如下:
高斯過程在連續時間SLAM與運動規劃中的應用
圖文詳解高斯過程