概率图模型基础：贝叶斯网络、马尔可夫随机场与因子分解
多源传感器融合的核心挑战在于：如何将来自激光雷达、相机、惯性测量单元（IMU）、全球导航卫星系统（GNSS）等异构传感器的观测数据，在存在噪声、遮挡、时钟不同步和动态环境干扰的条件下，统一到一个一致的、可计算的概率框架中。概率图模型（Probabilistic Graphical Model, PGM）正是为此提供数学语言与计算骨架的工具。它用图结构表达随机变量之间的条件依赖关系，将复杂的联合概率分布分解为一系列局部函数的乘积，从而使得推理、学习和优化成为可能。本章将系统梳理概率图模型的两大支柱——贝叶斯网络（有向图）与马尔可夫随机场（无向图），并深入解析条件独立性与因子分解这两个核心概念，为后续章节中因子图的构建与优化奠定坚实的理论基础。
上图展示了三种概率图模型之间的内在联系。贝叶斯网络通过有向边表达变量间的因果关系，其联合分布可分解为条件概率的乘积；马尔可夫随机场通过无向边表达变量间的软约束关系，其联合分布由势函数（Potential Function）的乘积经归一化得到；而因子图则是一种更通用的表示方式，它将函数（因子）与变量显式分离，能够统一表达上述两种模型的因子分解结构。在传感器融合中，我们通常将待估计的状态（如位置、姿态、速度）建模为变量节点，将传感器观测模型、运动模型、先验约束建模为因子节点，从而将融合问题转化为因子图上的最大后验估计问题。
3.1 贝叶斯网络：有向图模型与条件独立性
核心原理：有向无环图与条件概率表
贝叶斯网络（Bayesian Network, BN）是一种有向无环图（Directed Acyclic Graph, DAG），其节点表示随机变量，有向边表示变量之间的直接因果依赖关系。每个节点都关联一个条件概率分布 P(Xi | Pa(Xi))，其中 Pa(Xi) 表示 Xi 的父节点集合。整个网络的联合概率分布可以分解为所有节点条件概率的乘积：
P(X₁, X₂, ..., Xₙ) = ∏ P(Xᵢ | Pa(Xᵢ))这种分解形式直接反映了图结构所编码的条件独立性假设。例如，在经典的传感器融合场景中，若定义变量：A=载体真实位置，B=GPS观测值，C=IMU积分位移，则贝叶斯网络可表达为 A→B 和 A→C，表示 GPS 和 IMU 观测均依赖于真实位置，但给定 A 后，B 与 C 条件独立。这一性质极大地简化了推理计算。
判断方法：d-分离准则
在贝叶斯网络中，判断两个变量是否条件独立，需要运用 d-分离（d-separation）准则。该准则基于以下三种基本结构：
- 链式结构（A→B→C）：给定 B 时，A 与 C 条件独立。
- 分叉结构（A←B→C）：给定 B 时，A 与 C 条件独立。
- 对撞结构（A→B←C）：给定 B 时，A 与 C 反而相关（因为提供了相互解释的信息）。
在实际应用中，我们可以通过检查图中是否存在未阻断的路径来判断条件独立性。例如，在传感器融合中，若两个传感器观测之间没有直接路径，且它们的共同父节点（真实状态）已知，则这两个观测条件独立——这正是卡尔曼滤波中“观测噪声相互独立”假设的图模型表达。
案例拆解：GPS/IMU 融合的贝叶斯网络建模
考虑一个简化的车辆定位场景。设变量 Xt 为 t 时刻车辆的真实位置，ZGPS,t 为 GPS 观测，ZIMU,t 为 IMU 积分得到的位移增量。贝叶斯网络结构为：Xt-1 → Xt → ZGPS,t，以及 Xt-1 → Xt → ZIMU,t。给定 Xt 后，ZGPS,t 与 ZIMU,t 条件独立。这意味着在融合时，我们可以将 GPS 似然和 IMU 似然分别建模，然后相乘得到联合似然，而无需考虑两者之间的相关性。这种分解使得融合算法可以模块化设计——每个传感器对应一个独立的似然因子。
3.2 马尔可夫随机场：无向图模型与势函数
核心原理：无向图与团势能
马尔可夫随机场（Markov Random Field, MRF）使用无向图表达变量之间的对称约束关系。与贝叶斯网络不同，MRF 中的边不表示因果方向，而是表示变量之间的相互影响或兼容性。联合分布通过定义在图上所有极大团（Maximal Clique）上的势函数（Potential Function）的乘积来刻画：
P(X) = (1/Z) · ∏c∈C ψc(Xc)其中 C 为图中所有极大团的集合，ψc 为非负的势函数，Z 为配分函数（Partition Function），用于确保概率归一化。势函数不要求具有概率意义，只需反映变量组合的“偏好”或“能量”。在传感器融合中，MRF 常用于表达空间或时间上的平滑性约束，例如相邻像素的深度值应相近，或相邻时刻的载体速度不应突变。
判断方法：局部马尔可夫性质
MRF 的核心条件独立性由局部马尔可夫性质（Local Markov Property）刻画：给定某变量的所有邻居节点，该变量与图中所有其他变量条件独立。数学表达为：
Xi ⊥ XV\{i,N(i)} | XN(i)其中 N(i) 表示节点 i 的邻居集合。这一性质使得 MRF 特别适合表达“局部交互、全局一致”的问题。例如，在激光雷达点云地面分割中，每个点的标签（地面/非地面）仅与其邻近点的标签相关，这种关系天然适合用 MRF 建模。
案例拆解：立体视觉中的视差估计
在双目立体匹配中，需要为每个像素估计视差值 di。构建 MRF：节点为像素，边连接相邻像素，势函数包含两项——数据项 ψdata(di) 衡量视差与图像匹配代价的一致性，平滑项 ψsmooth(di, dj) 惩罚相邻像素视差突变。联合分布为：
P(d) ∝ exp(-Σ ψdata(di) - Σ ψsmooth(di, dj))通过最小化能量函数（等价于最大化后验概率），可以同时保证匹配准确性和视差平滑性。这里的关键在于势函数的设计——数据项来自传感器观测模型，平滑项来自对场景结构的先验知识。
3.3 因子分解：从图结构到可计算形式
核心原理：因子图与通用分解
因子图（Factor Graph）是一种二部图，包含两类节点：变量节点（圆圈）和因子节点（方块）。每条边连接一个变量节点和一个因子节点，表示该因子依赖于该变量。因子图提供了一种统一的框架，能够同时表达贝叶斯网络和马尔可夫随机场的因子分解：
P(X) = ∏j fj(Xj)其中 fj 为因子，Xj 为与因子 j 相连的变量集合。这种表示的优势在于：它将“图结构”与“函数形式”分离，使得我们可以灵活地为不同传感器定义不同的因子类型，而无需改变整体推理框架。
操作流程：从传感器模型到因子图
将多源传感器融合问题转化为因子图，通常遵循以下步骤：
- 定义状态变量：确定待估计的状态集合，如位置、速度、姿态、传感器偏差等。
- 建立因子节点：为每个传感器观测、运动模型、先验约束创建一个因子。
- 连接变量与因子：根据观测方程和状态转移方程，将因子连接到其涉及的变量。
- 设定因子函数：根据噪声分布（通常假设高斯）定义因子的数学形式。
- 执行推理：使用最大后验估计（MAP）或贝叶斯推理算法求解最优状态。
案例拆解：视觉-惯性里程计（VIO）的因子图表示
在 VIO 系统中，状态变量包括载体位姿 Tk（k=1,...,K）和特征点位置 Lm。因子包括：
- IMU 预积分因子：连接相邻位姿 Tk 和 Tk+1，约束相对运动。
- 视觉重投影因子：连接位姿 Tk 和特征点 Lm，约束观测一致性。
- 先验因子：固定第一个位姿，消除位置不确定性。
联合分布分解为：
P(T, L) ∝ ∏ fIMU(Tk, Tk+1) · ∏ fvis(Tk, Lm) · fprior(T1)通过最小化所有因子的负对数似然之和，即可得到最优状态估计。这种分解方式使得系统可以增量式地添加或移除因子，适应传感器配置的变化。
| 模型类型 | 边方向 | 因子形式 | 典型应用 | 推理复杂度 |
|---|---|---|---|---|
| 贝叶斯网络 | 有向 | 条件概率 P(Xi|Pai) | 因果推理、故障诊断 | 中等（依赖网络结构） |
| 马尔可夫随机场 | 无向 | 势函数 ψc(Xc) | 图像分割、平滑约束 | 较高（需计算配分函数） |
| 因子图 | 二部图 | 任意非负函数 fj(Xj) | 多传感器融合、SLAM | 灵活（可稀疏化） |
3.4 常见误区与总结复盘
误区一：混淆有向图与无向图的条件独立性
初学者常将贝叶斯网络中的 d-分离准则直接套用到 MRF 中。实际上，MRF 的条件独立性仅由图结构中的“分离”决定——若两个变量被其他变量集合分离（即所有路径都经过该集合），则它们条件独立。而有向图中的对撞结构会引入额外的相关性，不能简单套用。
误区二：忽略配分函数的计算代价
在 MRF 中，配分函数 Z 的计算复杂度随变量数量指数增长。许多实际应用（如大规模三维重建）中，直接计算 Z 是不可行的。此时应选择近似推理方法，并明确其近似误差的边界。相比之下，因子图通过稀疏结构和局部更新策略，通常能更高效地处理大规模问题。
误区三：将因子函数等同于概率分布
因子函数 fj(Xj) 不要求归一化，也不要求具有概率语义。它可以是任意非负函数，用于表达约束、代价或偏好。在传感器融合中，因子通常取高斯分布的形式（对应最小二乘问题），但也可以取鲁棒核函数（如 Huber 核）以抑制外点影响。