第2章 数学基础回顾：概率论与随机过程

做目标跟踪这些年，我最大的体会是：状态估计的本质，就是跟不确定性打交道。你想想看，雷达回波有噪声，视觉检测有漏检，目标运动还有机动——这些不确定性怎么处理？答案就藏在概率论和随机过程里。

这一章，我们只聊三个核心工具：高斯分布、贝叶斯公式、马尔可夫性质。别小看它们，卡尔曼滤波、粒子滤波、甚至深度学习跟踪，底层逻辑都绕不开这三样。

2.1 高斯分布：状态估计的「默认语言」

为什么高斯分布在跟踪领域这么流行？我个人觉得，原因有三：数学性质好、物理意义明确、计算方便。你想想看，一个目标的位置和速度，用均值表示「最可能在哪」，用协方差表示「不确定度有多大」——这不就是工程师最直观的理解吗？

一维高斯分布的概率密度函数长这样：

p(x) = (1 / √(2πσ²)) · exp(-(x - μ)² / (2σ²))

其中 μ 是均值，σ² 是方差。嗯，这里要注意：方差越大，曲线越「胖」，说明不确定性越高。我在做雷达目标跟踪时，经常用协方差矩阵的对角线元素来评估跟踪质量——对角线越大，说明这个维度的估计越不可信。

扩展到多维，就是多元高斯分布：

p(x) = (1 / √((2π)ⁿ|Σ|)) · exp(-½(x - μ)ᵀΣ⁻¹(x - μ))

这里 Σ 是协方差矩阵，描述各个维度之间的相关性。举个例子，如果目标的位置和速度正相关，说明位置偏大时速度也倾向于偏大——这在匀速运动模型中很常见。

2.2 贝叶斯公式：状态更新的「灵魂」

贝叶斯公式说白了就是一句话：用观测数据修正先验知识。数学形式很简单：

p(x|z) = p(z|x) · p(x) / p(z)

其中：

• p(x) —— 先验分布：跟踪之前，我们对目标状态的「猜测」
• p(z|x) —— 似然：给定状态 x，观测到 z 的可能性
• p(x|z) —— 后验分布：融合观测后的「修正结果」
• p(z) —— 证据因子：归一化常数，保证概率和为 1

在目标跟踪里，贝叶斯公式的迭代过程就是「预测-更新」循环：

1. 预测步骤：用运动模型从 k-1 时刻的后验，推算出 k 时刻的先验
2. 更新步骤：用 k 时刻的观测，修正先验得到后验

我曾经在一个多传感器融合项目里踩过坑：两个雷达对同一个目标上报了不同的位置，我直接取平均，结果跟踪效果很差。后来改用贝叶斯融合——把每个传感器的观测建模成似然函数，再乘上先验——效果立竿见影。说白了，贝叶斯公式天然支持多源信息融合，你只需要把每个传感器当成一个独立的似然函数就行。

2.3 马尔可夫性质：让问题「可解」的关键假设

马尔可夫性质的核心思想是：当前状态包含了预测未来所需的全部信息。数学表达为：

p(xₖ | x₁, x₂, ..., xₖ₋₁) = p(xₖ | xₖ₋₁)

换句话说，给定当前状态，过去的历史对未来的预测没有额外帮助。这个假设在目标跟踪中极其重要——它让我们可以把一个复杂的时序问题，拆解成一个个独立的「一步预测」问题。

你想想看，如果没有马尔可夫性质，我们要记住目标从第 1 帧到第 k-1 帧的所有状态，才能预测第 k 帧。这在实际系统中根本不可行。有了这个假设，我们只需要维护当前时刻的状态分布就够了。

在卡尔曼滤波中，马尔可夫性质体现在状态转移方程里：

xₖ = F · xₖ₋₁ + wₖ₋₁

其中 F 是状态转移矩阵，w 是过程噪声。这个方程说：下一时刻的状态，只由当前状态和噪声决定。嗯，这里要注意，马尔可夫性质是一个「近似」——实际目标运动可能有长期相关性（比如规划好的路径），但在大多数跟踪场景下，这个近似足够好。

2.4 三者如何协同工作？

我习惯用一个「三步走」的框架来理解这三者的关系：

步骤	数学工具	作用
1. 状态表示	高斯分布	用均值和协方差描述「目标在哪」和「有多不确定」
2. 状态预测	马尔可夫性质	假设当前状态足以预测未来，简化递推过程
3. 状态更新	贝叶斯公式	用观测数据修正预测结果，得到更精确的后验

举个例子，假设你在用雷达跟踪一架无人机：

• 高斯分布告诉你：无人机大概在 (100m, 50m) 附近，误差半径约 10m
• 马尔可夫性质让你相信：只要知道当前位置和速度，就能预测下一秒的位置，不需要回看历史轨迹
• 贝叶斯公式帮你把雷达的测距数据融合进来，修正预测结果

这三个工具组合在一起，就构成了状态估计的「黄金三角」。后面的卡尔曼滤波、粒子滤波，本质上都是在这个三角框架下做文章。

好了，这一章的内容就到这里。数学基础打牢了，后面讲卡尔曼滤波、扩展卡尔曼滤波的时候，你会觉得特别顺畅。