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 1 s1\,\mathrm{s} 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 x=(p,v)Tx=(p,v)^{\mathsf T} 服从二维高斯分布 N(m,P)\mathcal N(m,P);位置 pp 用米、速度 vv 用米每秒表示。m=E[x]m=E[x] 是均值,P=E[(x−m)(x−m)T]P=E[(x-m)(x-m)^{\mathsf T}] 是协方差。

m=[21],P=[0.25000.04]m=\begin{bmatrix}2\\1\end{bmatrix},\qquad P=\begin{bmatrix}0.25&0\\0&0.04\end{bmatrix}

这表示位置估计为 2 m2\,\mathrm m、标准差为 0.5 m0.5\,\mathrm m;速度估计为 1 m/s1\,\mathrm{m/s}、标准差为 0.2 m/s0.2\,\mathrm{m/s}。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 PP 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 AA 和向量 bb,仿射变换保持高斯类型:

x∼N(m,P)⟹Ax+b∼N(Am+b,  APAT)x\sim\mathcal N(m,P) \quad\Longrightarrow\quad Ax+b\sim\mathcal N(Am+b,\;APA^{\mathsf T})

变换后的偏差为 A(x−m)A(x-m),对其外积取期望便得到 APATAPA^{\mathsf T};平移 bb 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 Δt=1 s\Delta t=1\,\mathrm s,匀速模型满足 p′=p+Δt vp'=p+\Delta t\,v、v′=vv'=v。加入与当前状态独立的零均值高斯过程扰动 ww:

x′=Fx+w,w∼N(0,Q)x'=Fx+w,\qquad w\sim\mathcal N(0,Q)
F=[1101],Q=[0.01000.01]F=\begin{bmatrix}1&1\\0&1\end{bmatrix},\qquad Q=\begin{bmatrix}0.01&0\\0&0.01\end{bmatrix}

本例的 QQ 表示独立的位置与速度扰动,两个对角项的单位分别为 m2\mathrm{m^2} 和 (m/s)2(\mathrm{m/s})^2,不是单一随机加速度模型。预测分布仍为高斯,其参数为:

m−=Fm=[31]P−=FPFT+Q=[0.300.040.040.05]\begin{aligned} m^-&=Fm=\begin{bmatrix}3\\1\end{bmatrix}\\ P^-&=FPF^{\mathsf T}+Q= \begin{bmatrix}0.30&0.04\\0.04&0.05\end{bmatrix} \end{aligned}

上标 −- 表示读取新测量之前。位置方差变为 0.25+0.04+0.01=0.30 m20.25+0.04+0.01=0.30\,\mathrm{m^2};交叉协方差变为 0.04 m2/s0.04\,\mathrm{m^2/s},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:z=Hx′+εz=Hx'+\varepsilon,其中 H=(1,0)H=(1,0),测量噪声 ε∼N(0,R)\varepsilon\sim\mathcal N(0,R) 与状态独立,取 R=0.09 m2R=0.09\,\mathrm{m^2}、读数 z=3.4 mz=3.4\,\mathrm m。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:

c=P−HT,S=HP−HT+Rc=P^-H^{\mathsf T},\qquad S=HP^-H^{\mathsf T}+R
m+=m−+cS(z−Hm−)P+=P−−ccTS\begin{aligned} m^+&=m^-+\frac{c}{S}(z-Hm^-)\\ P^+&=P^--\frac{cc^{\mathsf T}}{S} \end{aligned}

S=0.39 m2S=0.39\,\mathrm{m^2} 是测量残差的方差,上标 ++ 表示融合读数之后。位置修正为 3+(0.30/0.39)×0.4≈3.307692 m3+(0.30/0.39)\times0.4\approx3.307692\,\mathrm m;速度也因交叉协方差而增至约 1.041026 m/s1.041026\,\mathrm{m/s}。

线性预测改变高斯分布的中心与相关性,位置测量使联合分布收缩并移动

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。

python
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:

text
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 0.040.04 和更新后的位置方差 0.0692310.069231:前者说明预测建立了相关性,后者小于预测方差 0.300.30,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 X∼N(0,1)X\sim\mathcal N(0,1),非线性变换 Y=X2Y=X^2 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 2 m2\,\mathrm m 或 8 m8\,\mathrm m,它与 N(5,9)\mathcal N(5,9) 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"}}

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

高斯分布为何能简化状态估计

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通