自动控制 / 系统课时
高斯分布为何能简化状态估计
高斯分布为何能简化状态估计
位置和速度都不确定时,逐点保存整个概率分布会让递推变得繁琐。本篇用一个二维运动算例说明:在线性高斯模型下,只维护均值向量与协方差矩阵,就能完整表示预测和测量更新后的状态分布,并用代码复算结果。
学习目标
- 从两个均值和三个独立协方差元素读出位置、速度的不确定性。
- 计算间隔 后的均值与协方差,解释相关性为何出现。
- 区分“递推两个统计量”与“完整描述概率分布”各自需要的条件。
二维高斯由哪些数值确定
设已有信息下,整个状态向量 服从二维高斯分布 ;位置 用米、速度 用米每秒表示。 是均值, 是协方差。
这表示位置估计为 、标准差为 ;速度估计为 、标准差为 。对角项是方差,单位是相应状态单位的平方;非对角项描述两种估计误差的共同变化。
由于 对称,二维高斯由两个均值、两个方差和一个交叉协方差,共五个独立数值确定。“维护均值与协方差”指两个参数对象,并非只保存两个标量。这里假设的是联合高斯,仅知道位置、速度各自为高斯还不够。
线性预测为何仍然得到高斯
对确定的矩阵 和向量 ,仿射变换保持高斯类型:
变换后的偏差为 ,对其外积取期望便得到 ;平移 只改变均值。这两个矩的传播公式对任何具有有限二阶矩的分布都成立,高斯额外保证变换后的完整分布仍由它们确定。genui{"citation":{"ref":"turn3view0"}}
取采样间隔 ,匀速模型满足 、。加入与当前状态独立的零均值高斯过程扰动 :
本例的 表示独立的位置与速度扰动,两个对角项的单位分别为 和 ,不是单一随机加速度模型。预测分布仍为高斯,其参数为:
上标 表示读取新测量之前。位置方差变为 ;交叉协方差变为 ,因为同一份速度误差既影响预测速度,也通过位移影响预测位置。
为什么测量更新不会打断递推
现在只测位置:,其中 ,测量噪声 与状态独立,取 、读数 。状态与测量联合高斯,因此给定读数后的条件分布仍为高斯。genui{"citation":{"ref":"turn1view1"}}
从贝叶斯更新看,先验密度乘以测量似然后再归一化;线性高斯情况下,两者都是二次式的指数函数;相乘使指数中的二次式相加,归一化后仍得到高斯。对本例的一维测量,可写成:
是测量残差的方差,上标 表示融合读数之后。位置修正为 ;速度也因交叉协方差而增至约 。

若初始状态为高斯,运动与观测模型线性且参数已知,各时刻的高斯过程噪声、高斯测量噪声相互独立并独立于初始状态,那么每轮都能重复这一过程。对固定二维状态,当前后验始终只需五个独立数值,不随已接收测量的数量增加。
用 NumPy 复算均值与协方差
下面是完整脚本,使用 Python 3 和 NumPy 2.x,可在已安装 NumPy 的环境直接运行。代码中的 @ 是矩阵乘法;np.diag 用于构造对角矩阵。H 用一维数组表示位置读取方向,c 对应上式的交叉协方差向量。
import numpy as np
np.set_printoptions(precision=6, suppress=True)
# 状态顺序固定为 [位置, 速度],所有数值采用米与秒。
m = np.array([2.0, 1.0])
P = np.diag([0.25, 0.04])
F = np.array([[1.0, 1.0], [0.0, 1.0]])
Q = np.diag([0.01, 0.01])
# 新过程噪声与当前状态独立,所以协方差直接加 Q。
m_pred = F @ m
P_pred = F @ P @ F.T + Q
# H 只读取位置;c 保存状态与预测位置的交叉协方差。
H = np.array([1.0, 0.0])
z, R = 3.4, 0.09
c = P_pred @ H
S = H @ c + R
m_post = m_pred + (c / S) * (z - H @ m_pred)
P_post = P_pred - np.outer(c, c) / S
print('m_pred =', m_pred)
print('P_pred =')
print(P_pred)
print('m_post =', m_post)
print('P_post =')
print(P_post)预期输出:
m_pred = [3. 1.]
P_pred =
[[0.3 0.04]
[0.04 0.05]]
m_post = [3.307692 1.041026]
P_post =
[[0.069231 0.009231]
[0.009231 0.045897]]检查预测矩阵中的 和更新后的位置方差 :前者说明预测建立了相关性,后者小于预测方差 ,说明这次测量降低了位置不确定性。脚本计算的是分布参数,不需要生成或保存随机样本。
哪些情况下两个矩不再代表完整分布
若 ,非线性变换 只能取非负值,因此不再是非退化高斯。若位置以相同概率取 或 ,它与 拥有相同均值和方差,却是完全不同的分布。
非高斯也不意味着卡尔曼滤波完全不能使用。在线性模型、有限二阶矩、正确的均值与协方差及相应不相关噪声条件下,它仍可给出线性估计类中的最小均方误差解;但此时不能仅凭均值与协方差宣称已经保存了完整后验,也不能保证它等于所有估计方法中的最优解。genui{"citation":{"ref":"turn3view2"}}