3. 数学基础回顾（二）：概率论与数理统计——贝叶斯定理、高斯分布、最大似然估计，用于行为预测建模

好，咱们接着聊。上一章我们把线性代数过了一遍，这一章轮到概率论了。说实话，在我刚开始做行人姿态估计那会儿，总觉得概率论是纯数学，跟工程离得远。后来真上手做行为预测，才发现——嗯，没有概率论，你连个靠谱的预测都写不出来。

为什么？因为行人下一秒往哪走，本身就是个随机事件。你没法说“他100%会左转”，只能说“他有80%的概率左转”。这就是概率思维。说白了，我们做行为预测，就是在跟不确定性打交道。

3.1 贝叶斯定理：用观测更新信念

贝叶斯定理，我个人认为是整个行为预测里最核心的数学工具之一。它的形式很简单：

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

但它的思想很深刻——先验 + 似然 = 后验。

举个例子。你在做行人轨迹预测。一开始，你没有任何观测信息，只能根据历史统计说“这个人有60%的概率直走，40%的概率左转”。这就是先验概率 P(A)。

然后，你看到这个人身体微微向左倾斜了。这个观测信息 B 来了。你根据经验知道：如果一个人要左转，他身体左倾的概率是90%；如果直走，左倾的概率只有10%。这就是似然 P(B|A)。

好，现在用贝叶斯公式算一下后验：

P(左转|左倾) = P(左倾|左转) * P(左转) / P(左倾)
= 0.9 * 0.4 / (0.9*0.4 + 0.1*0.6)
= 0.36 / 0.42
≈ 0.857

看到了吗？仅仅一个身体倾斜的观测，就把左转概率从40%提升到了85.7%。这就是贝叶斯定理的力量——用新证据不断修正你的判断。

我的经验： 我在做多目标跟踪时，经常用贝叶斯滤波（卡尔曼滤波就是它的一个特例）。每次新一帧检测结果来了，我就用贝叶斯更新一下每个目标的置信度。效果比单纯用阈值硬切好得多。

3.2 高斯分布：自然界最爱的分布

高斯分布，也叫正态分布。你想想看，人的身高、考试成绩、测量误差……几乎到处都有它的影子。在行为预测里，高斯分布更是无处不在。

它的概率密度函数长这样：

f(x) = (1 / (σ * sqrt(2π))) * exp(-(x - μ)² / (2σ²))

其中 μ 是均值，σ 是标准差。μ 决定了分布的中心位置，σ 决定了分布的“胖瘦”。

为什么高斯分布这么重要？两个原因：

  • 中心极限定理： 大量独立随机变量的和，趋近于高斯分布。这意味着很多自然现象都可以用高斯近似。
  • 数学性质好： 高斯分布的线性组合还是高斯分布，条件分布也是高斯分布。这给计算带来了极大便利。

在行为预测中，我们经常假设行人位置的预测误差服从高斯分布。比如，我预测你下一秒在 (x, y) 位置，但实际位置可能落在以 (x, y) 为中心的一个椭圆区域内。这个椭圆，就是高斯分布的等概率线。

避坑指南： 我曾经犯过一个错误——在所有场景下都假设误差是高斯分布。后来发现，在行人突然急转弯或者被遮挡时，误差分布其实是多峰的（比如可能向左也可能向右）。这时候用单高斯建模就会出问题。后来我改用了高斯混合模型（GMM），效果好了很多。

3.3 最大似然估计：从数据中“猜”参数

好，现在问题来了：我们知道了模型形式（比如高斯分布），但不知道参数（μ 和 σ）。怎么从数据中估计出这些参数？

最大似然估计（MLE）就是干这个的。它的思想很直观：找到一组参数，使得当前观测数据出现的概率最大。

假设我们有 N 个观测数据 x₁, x₂, ..., xₙ，它们独立同分布，服从某个分布 f(x|θ)。那么似然函数就是：

L(θ) = ∏ f(xᵢ|θ)   (i从1到N)

我们想找到 θ 使得 L(θ) 最大。因为连乘容易数值溢出，通常取对数：

log L(θ) = ∑ log f(xᵢ|θ)

然后对 θ 求导，令导数为0，解方程即可。

举个具体的例子。假设我们假设行人速度服从高斯分布，观测到一组速度数据：

v = [1.2, 1.5, 1.1, 1.3, 1.4]  (单位: m/s)

用最大似然估计，高斯分布的 μ 和 σ² 的估计值就是：

μ̂ = (1/N) * ∑ vᵢ = 1.3
σ̂² = (1/N) * ∑ (vᵢ - μ̂)² = 0.02

你看，其实就是样本均值和样本方差。但注意，这里的 σ̂² 是除以 N 而不是 N-1，这是 MLE 的一个小特点——它是有偏的，但在大样本下偏差可以忽略。

注意： 最大似然估计在小样本下可能过拟合。比如你只观测到3个数据点，估计出的方差可能偏小。我建议在数据量少于30个时，考虑用贝叶斯估计或者加正则化项。

3.4 三者如何用于行为预测？

好，理论讲完了，咱们串一下。在行为预测建模中，这三者是怎么配合的？

我画个流程图给你看：

  1. 先验知识： 基于历史数据，用最大似然估计得到行人运动模式的先验分布（比如高斯分布参数）。
  2. 在线观测： 每一帧检测到行人的新位置、姿态等信息。
  3. 贝叶斯更新： 用贝叶斯定理，将先验分布和当前观测的似然结合起来，得到后验分布。
  4. 预测输出： 后验分布的均值作为预测值，方差作为置信度。

举个例子。你有一个行人轨迹预测模型，假设位置误差服从高斯分布。一开始，你用大量训练数据通过最大似然估计得到了误差的方差 σ²=0.5。这就是先验。

然后，在线上运行时，你观测到当前帧的检测位置和预测位置有偏差 e=0.3。你用贝叶斯公式更新后验方差：

σ²_post = 1 / (1/σ²_prior + 1/σ²_obs)

如果观测噪声 σ²_obs 很小（检测很准），后验方差就会变小，说明你更确信自己的预测。反之，如果观测噪声很大，后验方差变化不大，你仍然保持谨慎。

我的习惯： 在实际项目中，我不会只用单一高斯。我通常用高斯混合模型（GMM）来表示多模态的预测结果。比如，在十字路口，行人可能左转、直走或右转，每个模式对应一个高斯分量。然后用贝叶斯方法在线更新每个分量的权重。这样预测的鲁棒性会好很多。

3.5 小结

这一章我们聊了三个核心概念：

  • 贝叶斯定理： 用观测数据更新先验信念，得到后验分布。这是在线推理的基石。
  • 高斯分布： 最常用的概率分布，数学性质好，适合建模预测误差。
  • 最大似然估计： 从数据中估计模型参数，简单直观，但要注意小样本下的偏差。

这三者结合起来，就构成了行为预测建模的概率框架。下一章，我们会把这些数学工具真正用到代码里，实现一个简单的行人轨迹预测器。到时候你会发现——嗯，数学这东西，用起来才真正理解它。

← 上一章 📖 返回目录 下一章 →