2. 概率论基础回顾
各位同学，咱们今天聊点实在的。做机器人状态估计，说白了就是在跟不确定性打交道。你传感器读到的数据准不准？模型算出来的位置偏没偏？这些问题的答案，全得靠概率论来兜底。
我当年刚入行时，觉得概率论就是一堆公式，背下来就行。直到有一次做室内定位，卡尔曼滤波怎么调都不收敛，最后发现是协方差矩阵初始化出了问题。嗯，从那以后我才真正明白——概率论不是数学题，是工程直觉。
2.1 随机变量：不确定性的数学化身
先问个问题：你拿激光雷达测距，同一个位置测100次，结果一样吗？
答案显然是否定的。噪声、反射、温度漂移……这些因素让每次测量都不同。这时候，我们就用随机变量来描述这个测量值。
- 离散随机变量：取值是有限的，比如机器人检测到障碍物的数量（0个、1个、2个……）。
- 连续随机变量：取值是连续的，比如IMU输出的加速度值（3.14159……）。
我个人习惯把随机变量想象成一个「黑盒子」——你永远不知道下一次它会吐出什么数，但你知道它吐数的规律。这个规律，就是概率分布。
核心要点：在状态估计中，机器人的位置、速度、姿态都是随机变量。我们不是在求一个「精确值」，而是在求一个「最可能的分布」。
2.2 概率密度函数：分布的「形状」
对于连续随机变量，我们没法说「它等于x的概率是多少」，因为连续空间里单点的概率是0。这时候，概率密度函数（PDF）就派上用场了。
PDF的物理意义很简单：曲线越高，说明这个值出现的可能性越大。曲线下的面积，就是概率。
举个例子：假设机器人位置x的PDF是f(x)，那么它落在区间[a, b]的概率就是：
P(a ≤ x ≤ b) = ∫ₐᵇ f(x) dx我在做多传感器融合时，经常要判断两个传感器的测量是否一致。说白了，就是看它们的PDF重叠面积有多大。重叠越多，说明两个传感器「意见一致」。
避坑指南：我曾经犯过一个低级错误——把PDF的值当概率用。记住，PDF可以大于1，但概率永远在0到1之间。别搞混了。
2.3 贝叶斯法则：用新数据更新旧认知
贝叶斯法则是整个状态估计的灵魂。它的核心思想就一句话：先验 + 似然 = 后验。
公式长这样：
P(x|z) = P(z|x) * P(x) / P(z)其中：
- P(x)：先验概率——在测量之前，你对机器人位置的猜测。
- P(z|x)：似然——如果机器人真在x位置，你看到测量值z的可能性。
- P(x|z)：后验概率——看到测量值z之后，你对机器人位置的更新认知。
你想想看，这不就是工程师的日常吗？你有个初始估计（先验），然后拿到新数据（似然），最后得到一个更靠谱的估计（后验）。
我记得有一次做视觉SLAM，相机突然丢帧，后验概率直接发散。后来发现是似然模型没建好——把噪声方差设得太小了，导致算法过度信任错误数据。嗯，贝叶斯法则虽然强大，但前提是你的模型得靠谱。
警告：贝叶斯更新是递归的——今天的后验，就是明天的先验。如果初始先验给错了，后面会越偏越远。我建议你至少用两种不同的初始值跑一遍，看看结果是否一致。
2.4 高斯分布：状态估计的「万能钥匙」
在所有概率分布中，高斯分布（也叫正态分布）是最常用的，没有之一。为什么？
- 数学性质好：高斯分布经过线性变换后还是高斯分布。
- 中心极限定理：很多独立随机变量的和，趋近于高斯分布。
- 计算简单：只需要均值和协方差两个参数。
一维高斯分布的PDF公式：
f(x) = (1 / √(2πσ²)) * exp(-(x - μ)² / (2σ²))其中μ是均值，σ²是方差。μ决定了分布的中心，σ²决定了分布的「胖瘦」。
多维高斯分布（比如同时估计位置和速度）的公式稍微复杂点：
f(x) = (1 / √((2π)ᵈ|Σ|)) * exp(-0.5 * (x - μ)ᵀ Σ⁻¹ (x - μ))这里Σ是协方差矩阵，它描述了各个维度之间的相关性。
实战经验：我在做GPS+IMU融合时，协方差矩阵的调参花了两周。协方差设太大，滤波收敛慢；设太小，滤波发散。后来我总结了一个经验：先用离线数据跑一遍，看看残差的统计特性，再反推协方差。这比瞎猜靠谱多了。
2.5 高斯分布的重要性质
做状态估计，这几个性质你必须烂熟于心：
- 线性变换不变性：如果x ~ N(μ, Σ)，那么y = Ax + b ~ N(Aμ + b, AΣAᵀ)。卡尔曼滤波的预测步就靠这个。
- 边缘化：从联合高斯分布中提取部分变量，结果还是高斯分布。说白了，你只关心位置，不关心速度，直接把速度那部分「扔掉」就行。
- 条件分布：已知部分变量的值，求其他变量的分布。这对应卡尔曼滤波的更新步。
- 乘积仍是高斯：两个高斯分布的乘积（归一化后）还是高斯分布。这是贝叶斯更新能闭环的关键。
你想想看，卡尔曼滤波的五个公式，本质上就是在反复利用这些性质。所以，搞懂了高斯分布，你就搞懂了半个状态估计。
小技巧：我习惯在代码里用信息矩阵（协方差矩阵的逆）来更新。数值稳定性更好，尤其当协方差矩阵接近奇异时。你可以试试。
2.6 本章知识体系
下面这张图，是我自己梳理的本章知识脉络。你把它存下来，以后复习时看一眼就全想起来了。
这张图把本章的核心逻辑串起来了。你从「概率论基础」出发，先理解随机变量是什么，再学会用PDF描述不确定性，然后用贝叶斯法则更新认知，最后用高斯分布这个「万能工具」落地到工程中。
说白了，整个状态估计的底层逻辑，就是这张图。你把它刻在脑子里，后面学卡尔曼滤波、粒子滤波、图优化，都会轻松很多。
好了，这一章就到这里。概率论这东西，光看不行，得动手。我建议你找一段真实传感器数据，试着用高斯分布拟合一下，看看残差是不是真的服从高斯分布。嗯，你会发现，现实世界比书本复杂得多——但也正因为如此，才有趣。