第3章概率论基础回顾

第1章：概率论基础回顾

各位同学好，我是你们的老朋友。做组合导航这些年，我最大的体会就是：卡尔曼滤波的本质，其实就是概率论在工程中的一次漂亮应用。今天咱们先打好基础，聊聊高斯分布、协方差矩阵这些老朋友。

说实话，我刚入行时也觉得奇怪——为什么卡尔曼滤波里全是高斯分布？后来在调试一个IMU/GPS组合导航系统时，我盯着传感器噪声的直方图看了半天，才真正明白：中心极限定理告诉我们，大量独立随机变量的和趋近于高斯分布。而传感器噪声，恰恰就是这种「大量微小误差的叠加」。

高斯分布的概率密度函数长这样：

p(x) = (1 / sqrt(2πσ²)) * exp(-(x-μ)² / (2σ²))

其中μ是均值，σ²是方差。在导航里，μ代表真值，σ²代表不确定性。嗯，这里要注意：方差越小，说明传感器越准。

核心要点：高斯分布的两个参数——均值和方差，恰好对应了卡尔曼滤波中「状态估计」和「不确定性」这两个核心概念。

单个传感器好办，但组合导航里我们有多个状态量——位置、速度、姿态角。它们之间不是独立的。比如你加速时，位置和速度肯定一起变。协方差矩阵就是用来描述这种「联动关系」的。

假设我们有n个随机变量，协方差矩阵P是个n×n的对称矩阵：

P = [σ₁²   σ₁₂   ...  σ₁ₙ]
    [σ₂₁   σ₂²   ...  σ₂ₙ]
    [...   ...   ...  ...]
    [σₙ₁   σₙ₂   ...  σₙ²]

对角线元素是方差，非对角线元素是协方差。我在项目中遇到过一个问题：IMU的加速度计和陀螺仪噪声其实是相关的，但很多初学者直接假设它们独立，结果滤波效果大打折扣。

我的经验：实际调试时，协方差矩阵的非对角线元素千万别直接设成0。除非你确定两个传感器完全独立——说实话，这种情况很少见。

卡尔曼滤波说白了就是贝叶斯法则的在线版本。贝叶斯公式长这样：

P(A|B) = P(B|A) * P(A) / P(B)

在导航里，A是状态量（比如位置），B是观测量（比如GPS读数）。P(A)是先验——我们根据运动模型猜的位置；P(B|A)是似然——如果真在这个位置，GPS应该读到什么；P(A|B)是后验——融合了模型和观测后的最优估计。

你想想看，卡尔曼滤波的预测-更新两步，不就是贝叶斯法则的工程实现吗？预测步算先验，更新步算后验。我曾经在讲课时被问到：「为什么卡尔曼滤波是最优的？」答案就在这里——因为它严格遵循了贝叶斯最优估计理论。

避坑指南：我曾经见过有人把先验和后验搞混，导致滤波发散。记住：先验是「预测的」，后验是「修正后的」。写代码时变量命名一定要区分清楚，比如用x_pred和x_est。

卡尔曼滤波的目标是什么？让估计误差的平方和最小。这就是最小均方误差估计（MMSE）的思想。对于高斯分布，MMSE估计就是条件期望：

ẑ = E[z | y]

其中z是状态，y是观测。这个公式看着简单，但实际计算时要用到协方差矩阵的逆——这也是卡尔曼滤波里卡尔曼增益的由来。

我个人习惯把MMSE理解成「加权平均」：模型预测和观测数据，谁的协方差小（更可信），就给它更大的权重。卡尔曼增益K就是那个权重系数。

关键公式：卡尔曼增益 K = P_pred * Hᵀ * (H * P_pred * Hᵀ + R)⁻¹

其中P_pred是预测协方差，H是观测矩阵，R是观测噪声协方差。K越大，说明我们越相信观测。

下面这张图总结了本章的核心逻辑，我建议你多看几遍：

好了，这一章的内容就这些。总结一下：

下一章我们会把这些理论变成代码，手写一个一维卡尔曼滤波器。到时候你会发现，原来这些公式跑起来这么直观。

课后练习：试着用Python生成两组相关的高斯随机数，计算它们的协方差矩阵，看看非对角线元素是不是接近你设定的相关系数。我当年就是这么入门的。