4、概率论基础回顾：高斯分布、协方差矩阵、条件概率与贝叶斯法则
各位同学，咱们今天聊点“硬核”的数学基础。别一听数学就头疼，我当年做飞控算法时，也栽过跟头。后来发现，搞懂这几个概念，状态估计就通了八成。说白了，概率论就是描述“不确定性”的语言。飞行器在天上飞，传感器有噪声，模型有误差，我们得学会跟不确定性打交道。
4.1 高斯分布：飞控算法中的“万能钥匙”
为什么高斯分布这么重要？我个人习惯，先讲直觉，再讲公式。你想想看，传感器噪声、风扰动、甚至GPS的漂移，它们的统计特性大多可以用高斯分布来描述。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。嗯，这就是它在工程中无处不在的原因。
一维高斯分布的概率密度函数长这样：
p(x) = (1 / (σ * √(2π))) * exp( - (x - μ)² / (2σ²) )其中 μ 是均值，σ 是标准差。均值决定了分布的中心，标准差决定了分布的“胖瘦”。
核心记忆点： 在飞控中，我们通常假设过程噪声和观测噪声都是零均值的高斯白噪声。即 μ=0。这样处理起来，数学上会非常优雅。
多维高斯分布呢？公式稍微复杂一点：
p(x) = (1 / ( (2π)^(n/2) * |Σ|^(1/2) )) * exp( -0.5 * (x - μ)^T * Σ^(-1) * (x - μ) )这里 Σ 就是协方差矩阵。别被公式吓到，我们实际编程时，用的都是现成的库函数。但理解它的几何意义很重要。
4.2 协方差矩阵：变量之间的“关系网”
协方差矩阵，说白了就是描述多个随机变量之间“联动关系”的表格。对角线元素是各个变量的方差，非对角线元素是变量之间的协方差。
举个例子，在IMU（惯性测量单元）中，加速度计的三个轴（X, Y, Z）的噪声并不是完全独立的。温度变化、安装误差都会导致它们之间产生相关性。协方差矩阵就是用来捕捉这种相关性的。
| 变量 | X轴加速度 | Y轴加速度 | Z轴加速度 |
|---|---|---|---|
| X轴加速度 | σx² | σxy | σxz |
| Y轴加速度 | σyx | σy² | σyz |
| Z轴加速度 | σzx | σzy | σz² |
注意，协方差矩阵是对称的，即 σxy = σyx。如果两个变量独立，协方差为0。但独立不一定不相关？嗯，这里不展开，大家记住高斯分布下，独立等价于不相关。
避坑指南： 我曾经在调试一个四旋翼的悬停算法时，发现状态估计总是发散。查了两天，最后发现是协方差矩阵初始化成了单位矩阵，而实际传感器的噪声方差相差了100倍。记住，协方差矩阵的数值大小，直接决定了卡尔曼滤波对传感器数据的“信任程度”。
4.3 条件概率：已知部分信息后的推断
条件概率 P(A|B) 表示在事件 B 发生的条件下，事件 A 发生的概率。公式很简单：
P(A|B) = P(A ∩ B) / P(B)但在飞控中，它的意义远不止于此。你想想看，我们做状态估计，不就是“已知传感器观测值 Z，求系统状态 X 的概率分布”吗？这就是条件概率的典型应用。
举个例子，GPS 给出的位置是 (x_gps, y_gps)，但真实位置 (x_true, y_true) 是未知的。我们想知道 P(x_true | x_gps)，即给定GPS读数后，真实位置的概率分布。如果GPS噪声是高斯分布，那么这个条件概率也是高斯分布，均值就是GPS读数，方差就是GPS的噪声方差。
关键点： 条件概率是状态估计的“灵魂”。卡尔曼滤波的每一步，本质上都是在计算条件概率分布。
4.4 贝叶斯法则：从先验到后验的“推理引擎”
贝叶斯法则是概率论中最美的公式之一。它告诉我们如何根据观测数据，更新我们对某个事件的信念。
P(X|Z) = P(Z|X) * P(X) / P(Z)其中：
- P(X)：先验概率。在观测之前，我们对状态 X 的初始估计。
- P(Z|X)：似然概率。给定状态 X 下，观测到 Z 的可能性。
- P(Z)：证据概率。观测数据本身的概率，通常作为归一化常数。
- P(X|Z)：后验概率。观测之后，我们对状态 X 的更新估计。
在飞控中，这个过程是递归的。上一时刻的后验概率，会成为下一时刻的先验概率。这就是卡尔曼滤波的“预测-更新”循环的数学本质。
我建议你把这个公式刻在脑子里。为什么？因为整个状态估计领域，从卡尔曼滤波到粒子滤波，核心思想都是贝叶斯法则。只是实现方式不同而已。
注意： 贝叶斯法则要求我们精确知道 P(Z|X) 和 P(X)。在实际工程中，这两个分布往往是我们假设的（比如假设为高斯分布）。如果假设与实际情况偏差太大，估计结果就会出问题。我曾经在一个无人机编队项目中，因为忽略了风扰动的非高斯特性，导致编队位置估计频繁跳变。后来改用鲁棒卡尔曼滤波才解决。
4.5 三者如何协同工作？
好了，我们把三个概念串起来。在飞控的状态估计中：
- 高斯分布 描述了噪声和状态的统计特性。
- 协方差矩阵 量化了状态变量之间的不确定性和相关性。
- 条件概率与贝叶斯法则 提供了从观测数据中更新状态估计的数学框架。
举个例子，卡尔曼滤波的预测步骤：
x_pred = A * x_est + B * u
P_pred = A * P_est * A^T + Q这里 x_pred 是预测的状态均值，P_pred 是预测的协方差矩阵。Q 是过程噪声的协方差矩阵（高斯分布假设）。
更新步骤：
K = P_pred * H^T * (H * P_pred * H^T + R)^(-1)
x_est = x_pred + K * (z - H * x_pred)
P_est = (I - K * H) * P_pred这里 K 是卡尔曼增益，R 是观测噪声的协方差矩阵。整个更新过程，本质上就是在计算贝叶斯后验概率。
个人经验： 刚开始学卡尔曼滤波时，我总把公式死记硬背。后来发现，只要理解了贝叶斯法则和高斯分布，公式是可以自己推导出来的。建议大家也试试，从贝叶斯公式出发，假设所有分布都是高斯分布，推导一下卡尔曼滤波的更新方程。这个过程会让你对算法有更深的理解。
嗯，今天就讲到这里。下一章我们会正式进入卡尔曼滤波的推导，你会发现，今天讲的这些基础，就是打开那扇门的钥匙。