FAformulas and algorithm,FFfusion and filtering贝叶斯定理、马尔可夫假设、卡尔曼滤波、蒙特卡洛方法核心、原理、交叉与边界前置一句话总览贝叶斯定理是概率更新的数学底层公式马尔可夫假设是状态时序简化前提卡尔曼滤波是高斯线性假设下贝叶斯状态估计的解析闭式实现蒙特卡洛方法是用随机采样来近似求解概率积分的数值手段。四者不是并列同级概念贝叶斯、马尔可夫是数学公理 / 假设卡尔曼、蒙特卡洛是求解算法。卡尔曼滤波同时依赖贝叶斯定理 马尔可夫假设蒙特卡洛可以用来实现贝叶斯估计粒子滤波但本身不强制需要马尔可夫假设。一、逐个拆解核心定义 原理1. 贝叶斯定理Bayes’ Theorem有时也被叫做贝叶斯框架a、 核心已知先验概率在拿到观测后反向更新状态后验概率。解决由观测反推隐藏状态逆概率问题。b、 原理公式p(x∣z)p(z∣x) p(x)p(z)p(x|z)\frac{p(z|x)\,p(x)}{p(z)}p(x∣z)p(z)p(z∣x)p(x)​p(x)p(x)p(x)先验观测到来之前对状态xxx的概率分布p(z∣x)p(z|x)p(z∣x)似然状态为xxx时观测zzz出现的概率传感器模型p(x∣z)p(x|z)p(x∣z)后验拿到观测zzz之后更新得到的状态概率分布p(z)p(z)p(z)归一化常数本质概率层面的信息融合规则。不限制状态是否时序、是否线性、是否高斯。单纯只是条件概率变换。c、 边界纯数学公式本身不包含时序假设可以用于静态参数估计也可以时序状态估计缺点连续状态下直接计算后验需要积分高维时积分很难算一般无法直接求解需要配套假设 / 数值方法没有 “状态只依赖上一时刻” 这个约束和马尔可夫假设互相独立。2. 马尔可夫假设Markov Assumption一阶马尔可夫最常用a、 核心未来状态xt1x_{t1}xt1​只依赖当前状态xtx_txt​和更早历史xt−1,xt−2...x_{t-1},x_{t-2}...xt−1​,xt−2​...无关同时当前观测ztz_tzt​仅由当前状态xtx_txt​决定。p(xt1∣x1:t)p(xt1∣xt)p(x_{t1}|x_{1:t}) p(x_{t1}|x_t)p(xt1​∣x1:t​)p(xt1​∣xt​)p(zt∣x1:t)p(zt∣xt)p(z_t|x_{1:t}) p(z_t|x_t)p(zt​∣x1:t​)p(zt​∣xt​)b、 原理把时序系统的状态历史 “压缩”只保留最新状态丢弃久远历史信息。大幅降低计算量。也叫无记忆假设状态本身已经承载全部历史信息。d、 边界是模型假设不是数学公式假设成立算法才好用假设不成立系统存在滞后、记忆效应结果会漂移只针对时序状态演化静态问题完全不需要马尔可夫假设可以搭配贝叶斯使用时序贝叶斯估计也可以单独用在马尔可夫链、马尔可夫决策过程 MDP一阶马尔可夫最常用也存在二阶 / 高阶马尔可夫未来依赖前两时刻。⚠️ 区分马尔可夫过程 满足马尔可夫假设的随机时序过程。3. 卡尔曼滤波Kalman Filter, KFa、 核心线性高斯 一阶马尔可夫假设下贝叶斯状态估计的解析最优解。递归地做两步预测 更新。专门解决带噪声的线性动态系统从含噪观测估计隐藏状态。b、 原理两大基础前提系统满足一阶马尔可夫假设状态方程、观测方程线性过程噪声、观测噪声零均值高斯。递归两步预测步时间更新用上一时刻后验预测当前时刻状态先验状态转移x^t−Fx^t−1But−1,Pt−FPt−1FTQ\hat{x}_t^- F\hat{x}_{t-1}Bu_{t-1},\quad P_t^- F P_{t-1}F^T Qx^t−​Fx^t−1​But−1​,Pt−​FPt−1​FTQ更新步观测更新用新观测贝叶斯定理把先验修正为后验KtPt−HT(HPt−HTR)−1x^tx^t−Kt(zt−Hx^t−)Pt(I−KtH)Pt−K_t P_t^- H^T(H P_t^- H^TR)^{-1}\\ \hat{x}_t \hat{x}_t^- K_t(z_t-H\hat{x}_t^-)\\ P_t (I-K_t H)P_t^-Kt​Pt−​HT(HPt−​HTR)−1x^t​x^t−​Kt​(zt​−Hx^t−​)Pt​(I−Kt​H)Pt−​c、 边界非常关键硬性前提线性 高斯。一旦非线性标准 KF 失效扩展卡尔曼 EKF 是局部线性近似无迹卡尔曼 UKF 用确定性采样近似高斯必须同时依赖贝叶斯定理更新 马尔可夫假设状态递推输出不是概率分布采样直接输出均值 协方差矩阵高斯分布的充分表达闭式解计算速度快只能描述高斯分布无法表达多峰分布。4. 蒙特卡洛方法Monte Carlo, MCa、 核心用大量随机样本采样近似概率分布、积分、期望靠统计统计样本代替解析数学计算。一句话采样代替积分。b、 原理很多概率问题贝叶斯后验期望本质是高维积分解析求不出。MC 思路生成大量符合分布的样本对样本做统计平均近似积分结果。粒子滤波就是蒙特卡洛采样 贝叶斯时序估计 马尔可夫假设的典型产物。c、 边界是数值计算范式不是概率模型假设通用性极强不强制要求线性、高斯可以独立使用求定积分、随机仿真不强制搭配贝叶斯 / 马尔可夫缺点维度灾难高维下需要极多样本计算量大样本存在随机误差可以表达任意分布多峰、非高斯这是对比卡尔曼最大优势。二、交叉关系梳理关系图文字版贝叶斯定理概率更新规则├─ 静态贝叶斯推断不需要马尔可夫假设└─ 时序贝叶斯估计贝叶斯滤波框架引入马尔可夫假设├─ 满足线性 高斯 →卡尔曼滤波解析闭式解└─ 非线性 / 非高斯 → 两种路线├─ EKF/UKF高斯近似路线└─粒子滤波贝叶斯 马尔可夫 蒙特卡洛采样实现组合清单卡尔曼滤波 贝叶斯定理 一阶马尔可夫假设 线性高斯假设缺少任意一个前提标准 KF 不能成立。粒子滤波 贝叶斯定理 一阶马尔可夫假设 蒙特卡洛采样放弃线性高斯用采样来近似后验分布。蒙特卡洛 ≠ 贝叶斯蒙特卡洛可以单纯用来算积分完全不做贝叶斯逆问题马尔可夫假设 ≠ 贝叶斯马尔可夫链仿真只做状态前向推演不需要贝叶斯观测更新贝叶斯定理 ≠ 时序贝叶斯可以只用一组静态观测估计固定参数不需要马尔可夫假设。三、横向对比总表表格项目贝叶斯定理马尔可夫假设卡尔曼滤波蒙特卡洛方法类型数学公式概率规则模型假设时序简化状态估计算法解析数值求解范式采样核心目标由观测反推后验概率压缩时序历史简化状态传递递归估计时序隐藏状态随机采样近似积分 / 分布是否时序可选静态 / 时序均可仅限时序系统时序状态估计时序 / 静态都可以分布要求无无必须高斯无限制任意分布线性要求无无必须线性标准 KF无依赖组件条件概率定义无贝叶斯定理 马尔可夫假设无强制依赖输出后验概率分布状态转移规则状态均值 协方差大量样本集合典型局限高维后验积分难解系统存在记忆效应时假设失效非线性 / 非高斯场景失效样本量大、高维维数灾难典型应用参数反演、概率推断时序系统建模、MDPIMU/GNSS 组合导航、线性传感器融合粒子滤波、概率仿真、积分求解四、边界与容易混淆的坑点误区卡尔曼滤波 “是独立于贝叶斯的一套算法”纠正KF 只是贝叶斯滤波框架在线性高斯下的特例解底层更新步就是贝叶斯定理。误区蒙特卡洛一定是贝叶斯纠正蒙特卡洛只是采样工具。你可以用蒙特卡洛做前向随机仿真完全不做后验反推。只有粒子滤波这类场景才把 MC 嵌入贝叶斯时序估计。误区贝叶斯定理默认带马尔可夫假设纠正贝叶斯定理本身和时间无关。比如根据一张图片判断物体类别属于静态贝叶斯推断完全不需要马尔可夫假设。误区马尔可夫假设 贝叶斯滤波纠正马尔可夫只是简化状态传递。单纯马尔可夫链只做状态向前推演没有观测修正没有贝叶斯更新。选型边界总结线性、高斯噪声、时序状态估计优先卡尔曼滤波速度快最优解析解非线性、非高斯需要时序状态估计粒子滤波贝叶斯 马尔可夫 蒙特卡洛代价是算力高静态参数反演贝叶斯推断不需要马尔可夫复杂后验用蒙特卡洛采样MCMC单纯随机仿真蒙特卡洛不需要贝叶斯五、结合实际应用拓展延伸机器人 / 组合导航定位本质就是时序贝叶斯估计问题状态位置、速度、姿态状态演化满足马尔可夫假设当前位姿足够代表历史观测IMU、激光、相机、GNSS如果模型近似线性高斯ESKF误差状态卡尔曼广泛用于组合导航如果强非线性、多峰分布室内定位、剧烈运动粒子滤波依靠蒙特卡洛采样