4. 状态估计基础：概率论回顾与马尔可夫假设
各位同学，今天我们来聊聊状态估计的数学基础。说实话，这部分内容看起来有点枯燥，但它是整个目标跟踪系统的“地基”。我当年刚入行时，觉得这些概率公式没啥用，直到在实车上调试滤波器，被噪声折磨得死去活来……嗯，从那以后，我再也不敢轻视这些基础了。
4.1 高斯分布：为什么它无处不在？
先问大家一个问题：为什么机器人领域到处都能看到高斯分布？
说白了，高斯分布（也叫正态分布）描述的是自然界中最常见的一种现象——误差。你想想看，传感器测量一个距离，它不会每次都精确到毫米，而是围绕真实值上下波动。这种波动，用高斯分布来建模最合适。
高斯分布的概率密度函数长这样：
p(x) = (1 / sqrt(2πσ²)) * exp(-(x - μ)² / (2σ²))其中：
- μ 是均值，代表最可能的值
- σ² 是方差，代表不确定性的大小
- σ 是标准差，σ越大，曲线越“胖”，说明越不确定
核心要点：高斯分布有两个关键性质，在状态估计中极其有用：
- 线性变换后仍是高斯分布——如果 x 服从高斯分布，那么 y = Ax + b 也服从高斯分布
- 两个高斯分布相乘，结果还是高斯分布——这就是贝叶斯滤波能闭环的原因
我在项目中遇到过一个问题：用激光雷达测距时，远距离的测量噪声明显比近距离大。这时候如果还用固定方差的高斯模型，估计结果就会偏差很大。后来我改用距离相关的方差模型，效果好了不少。这个坑，大家以后可能会遇到。
4.2 贝叶斯法则：用新信息更新旧信念
贝叶斯法则是状态估计的灵魂。它的公式很简单：
P(A|B) = P(B|A) * P(A) / P(B)但它的含义很深。我来拆解一下：
- P(A) —— 先验概率。在拿到新数据之前，你对状态 A 的“信念”
- P(B|A) —— 似然。如果状态是 A，那么观测到数据 B 的可能性有多大
- P(A|B) —— 后验概率。看到数据 B 之后，你对状态 A 的更新信念
说白了，贝叶斯法则就是一套“学习机制”：你有一个初始猜测（先验），然后看到新证据（观测），最后得到一个更靠谱的猜测（后验）。
我的经验：在自动驾驶中，贝叶斯法则最常见的应用就是“预测-更新”循环。预测阶段用运动模型得到先验，更新阶段用传感器观测修正后验。卡尔曼滤波器就是这套思路的完美体现。
4.3 状态空间模型：把问题装进数学框架
状态空间模型是描述动态系统的标准工具。它由两个方程组成：
状态方程：x_k = f(x_{k-1}, u_k) + w_k
观测方程：z_k = h(x_k) + v_k其中：
- x_k —— k 时刻的状态（位置、速度、朝向等）
- u_k —— 控制输入（油门、转向角等）
- w_k —— 过程噪声（模型的不确定性）
- z_k —— 观测值（传感器读数）
- v_k —— 观测噪声（传感器的误差）
我习惯把状态空间模型想象成一个“黑盒子”：你往里面扔进上一时刻的状态和控制量，它吐出当前时刻的状态；同时，你拿这个状态去“预测”传感器会看到什么，然后和实际读数对比，修正状态。
注意：过程噪声 w_k 和观测噪声 v_k 的协方差矩阵，是滤波器调参的关键。我曾经因为把过程噪声设得太小，导致滤波器“过于自信”，在急转弯时完全跟不上真实轨迹。调参这件事，没有捷径，只能靠经验和实验。
4.4 马尔可夫假设：简化世界的利器
马尔可夫假设是状态估计中最重要的简化假设。它说：
“给定当前状态，未来与过去独立。”
翻译成人话就是：当前状态已经包含了所有历史信息，不需要再回头看过去的数据。用公式表达：
P(x_k | x_{k-1}, x_{k-2}, ..., x_0) = P(x_k | x_{k-1})这个假设为什么重要？因为它让状态估计问题从“处理整个历史序列”变成了“只处理相邻时刻”。计算量从指数级降到了线性级，实时系统才能跑得动。
实际含义：在目标跟踪中，马尔可夫假设意味着：只要我知道目标当前的位置和速度，我就能预测它下一秒的位置，而不需要知道它三秒前在哪儿。这大大简化了滤波器的设计。
当然，这个假设也有局限性。比如目标突然改变运动模式（急刹车、急转弯），马尔可夫假设就会失效。这时候就需要更复杂的模型，比如交互多模型（IMM）算法。嗯，这个我们后面会讲到。
4.5 知识体系总览
下面这张图总结了本章的核心逻辑：
4.6 小结与避坑指南
这一章的内容，说白了就是四个概念：高斯分布描述不确定性，贝叶斯法则提供更新机制，状态空间模型搭起框架，马尔可夫假设简化计算。它们是所有状态估计算法的共同基础。
我曾经踩过的坑：
- 把过程噪声和观测噪声的协方差矩阵设成对角阵，忽略了不同维度之间的相关性——结果滤波器在某些场景下表现异常
- 盲目相信马尔可夫假设，在目标频繁切换运动模式时没有及时调整模型——导致跟踪延迟严重
- 高斯分布假设不成立时（比如多模态分布），还用标准卡尔曼滤波——结果估计值在两个模态之间飘忽不定
记住一句话：模型都是错的，但有些是有用的。理解这些假设的适用条件，比死记硬背公式重要得多。
好，这一章就到这里。下一章我们开始实战——用卡尔曼滤波器做目标跟踪。