第1章：概率论与数理统计——随机变量与分布、贝叶斯公式与传感器融合、最大似然估计与卡尔曼滤波的数学渊源
大家好，欢迎来到《自动驾驶感知算法》的第一章。
说实话，每次开课讲到概率论，我都能看到一些同学眼神开始飘忽。觉得这是数学课，跟工程没关系？
嗯，我当年刚入行时也这么想。直到有一次，我在高速上调试激光雷达和相机的融合算法，发现两个传感器对同一个障碍物的位置估计差了半米多。那时候我才真正意识到——不懂概率，你连传感器该信谁都不知道。
这一章，我们就来聊聊概率论里那些跟自动驾驶最相关的核心概念。我会尽量用工程视角来讲，而不是纯数学推导。
1.1 随机变量与分布：传感器读数的“脾气”
先问一个问题：你拿一个激光雷达测距，同一个位置测100次，结果会完全一样吗？
不会。因为噪声无处不在。温度、震动、反射面材质……都会让读数上下波动。
这种波动的规律，就是随机变量和分布要描述的东西。
1.1.1 离散 vs 连续随机变量
- 离散随机变量：取值是有限的、可数的。比如车道线检测中，检测到的车道线数量（0条、1条、2条……）。
- 连续随机变量：取值是连续的、不可数的。比如毫米波雷达测得的距离（12.345米、12.346米……）。
我个人习惯，在工程中遇到“计数”类问题，先考虑离散分布；遇到“测量”类问题，先考虑连续分布。这个经验帮我省了不少试错时间。
1.1.2 常见的分布模型
| 分布名称 | 典型应用场景 | 关键参数 |
|---|---|---|
| 正态分布（高斯分布） | 传感器噪声建模、卡尔曼滤波 | 均值μ，方差σ² |
| 均匀分布 | 初始位置不确定、随机采样 | 最小值a，最大值b |
| 泊松分布 | 单位时间内车辆到达数 | 平均发生率λ |
| 伯努利分布 | 障碍物存在/不存在（二分类） | 成功概率p |
重点记住：在自动驾驶感知中，正态分布是绝对的主角。为什么？因为中心极限定理告诉我们，大量独立随机因素叠加的结果，都会趋近于正态分布。传感器噪声、定位误差……基本都是正态的。
1.2 贝叶斯公式与传感器融合：怎么“信”多个传感器？
好，现在你有了两个传感器：一个摄像头，一个激光雷达。摄像头说“前面有车”，激光雷达说“前面有障碍物”。你信谁？
这就是传感器融合要解决的问题。而它的数学基础，就是贝叶斯公式。
1.2.1 贝叶斯公式的核心思想
公式很简单：
P(A|B) = P(B|A) * P(A) / P(B)翻译成人话：
- P(A)：先验概率。在没看到传感器数据之前，你对“前面有车”的相信程度。
- P(B|A)：似然。如果前面真的有车，传感器看到这个数据的概率有多大？
- P(A|B)：后验概率。看到传感器数据之后，你对“前面有车”的相信程度。
说白了，贝叶斯公式就是告诉你：用新的证据（传感器数据）来更新你原有的信念（先验）。
我的经验：我在做多传感器融合时，经常把贝叶斯公式当作“信任更新器”。每次收到一帧传感器数据，就更新一次对目标状态的信念。这样迭代下去，融合结果会越来越准。
1.2.2 传感器融合的贝叶斯视角
假设你有两个传感器，观测数据分别是Z1和Z2。你想知道目标状态X。
贝叶斯融合可以写成：
P(X | Z1, Z2) ∝ P(Z1 | X) * P(Z2 | X) * P(X)这里假设两个传感器的观测是条件独立的（给定X，Z1和Z2不相关）。
这个公式告诉我们：
- 每个传感器贡献一个“似然项”P(Zi | X)
- 把这些似然项乘起来，再乘上先验，就得到融合后的后验
- 哪个传感器更可靠（方差小），它的似然项就会“权重”更大
注意：条件独立假设在现实中不一定成立。比如摄像头和激光雷达都受雨雾影响，这时它们的误差会相关。我曾经踩过这个坑——在雨天场景下，直接乘似然项导致融合结果发散。后来我引入了相关性系数才解决。
1.3 最大似然估计与卡尔曼滤波的数学渊源
这一节，我们来揭开卡尔曼滤波的神秘面纱。很多人觉得卡尔曼滤波很难，其实它的核心思想就两个：预测 + 更新。而更新的数学基础，就是最大似然估计。
1.3.1 最大似然估计：找最可能的参数
最大似然估计（MLE）的思想很简单：给定观测数据，找一组参数，使得这组数据出现的概率最大。
举个例子：你测了10次距离，得到[10.1, 10.2, 9.9, 10.0, ...]。假设这些数据服从正态分布，那么均值的最大似然估计就是样本均值——10.0米。
公式形式：
θ_MLE = argmax_θ P(Data | θ)1.3.2 卡尔曼滤波：递推的最大似然估计
卡尔曼滤波本质上是在做递推的最大似然估计。每一时刻，它做两件事：
- 预测：根据运动模型，预测当前状态（得到先验分布）
- 更新：用传感器观测数据，修正预测结果（得到后验分布）
更新这一步，就是在做最大似然估计——找到最可能的状态，使得观测数据出现的概率最大。
卡尔曼增益K，就是用来平衡“预测”和“观测”的权重：
K = 预测误差协方差 / (预测误差协方差 + 观测噪声协方差)你看，如果预测很准（误差协方差小），K就小，更相信预测；如果观测很准（观测噪声协方差小），K就大，更相信观测。
一句话总结：卡尔曼滤波 = 贝叶斯公式（先验→后验） + 最大似然估计（找最优状态） + 递推（在线更新）。
1.4 本章小结与工程建议
- 随机变量与分布：传感器噪声建模，首选正态分布。记住均值和方差这两个参数就够了。
- 贝叶斯公式：传感器融合的数学基础。核心是用新数据更新旧信念。
- 最大似然估计与卡尔曼滤波：卡尔曼滤波就是递推版的MLE。理解了这个渊源，你就能自己推导卡尔曼滤波公式，而不是死记硬背。
我的建议：初学者可以先在Python里实现一个一维的卡尔曼滤波（比如只估计距离），跑一遍数据，看看预测和更新是怎么交替进行的。代码不超过50行，但能帮你彻底理解原理。
好了，第一章就到这里。下一章我们会深入讲多维高斯分布和扩展卡尔曼滤波（EKF）——那是处理非线性系统的利器。到时候我会分享一个我在高速上做车道线跟踪时遇到的真实案例，保证有意思。
公众号:蓝海资料掘金营，微信deep3321