3. 概率估计基础
在多源状态估计性能评测中，所有估计器最终都在回答同一个问题：在已有观测数据的前提下，如何推断系统真实状态？不同方法的分歧并不在于“要不要用概率”，而在于如何表示后验分布、如何近似它、以及优化目标是什么。理解贝叶斯估计、卡尔曼滤波、粒子滤波、最大似然与最大后验估计这五者的关系，是后续评测指标设计与误差归因的基础。
一、核心原理：从后验分布到点估计
设状态为 x，观测为 z。贝叶斯公式给出后验：
p(x | z) = p(z | x) · p(x) / p(z)
其中：
p(x) 先验分布，反映未观测前的状态知识
p(z | x) 似然函数，描述观测模型
p(x | z) 后验分布，融合观测后的状态知识
p(z) 归一化常数（证据）贝叶斯估计的核心思想是：不直接给出一个状态值，而是给出状态的概率分布。任何点估计都可以从后验中导出，例如后验均值、后验中位数或最大后验点。因此，贝叶斯估计是“分布级”的，而最大似然与最大后验是“点级”的。
最大似然估计（MLE）只使用似然项：
x_MLE = argmax_x p(z | x)它假设先验未知或均匀，完全由数据说话。最大后验估计（MAP）则同时使用似然与先验：
x_MAP = argmax_x p(z | x) · p(x)当先验为均匀分布时，MAP 退化为 MLE。这一关系是理解两者差异的关键：MAP 比 MLE 多了一份先验约束，因此在数据稀少或噪声较大时通常更稳定。
二、方法流程：卡尔曼滤波与粒子滤波如何近似后验
贝叶斯递推在一般情况下没有解析解，因此需要近似。卡尔曼滤波（KF）假设系统线性、噪声高斯，此时后验始终是高斯的，只需递推均值和协方差：
预测：
x_k|k-1 = F · x_k-1|k-1
P_k|k-1 = F · P_k-1|k-1 · F^T + Q
更新：
K_k = P_k|k-1 · H^T · (H · P_k|k-1 · H^T + R)^-1
x_k|k = x_k|k-1 + K_k · (z_k - H · x_k|k-1)
P_k|k = (I - K_k · H) · P_k|k-1其中 Q 为过程噪声协方差，R 为观测噪声协方差，K 为卡尔曼增益。KF 的本质是用高斯分布闭式地表示后验，计算高效，但面对非线性、非高斯场景会失效。
粒子滤波（PF）则用一组带权样本近似后验：
初始化：从先验 p(x_0) 采样 N 个粒子 {x_0^i, w_0^i}
递推：
1. 预测：x_k^i ~ p(x_k | x_k-1^i)
2. 更新权重：w_k^i ∝ w_k-1^i · p(z_k | x_k^i)
3. 归一化权重
4. 重采样：按权重复制高权粒子，抑制退化
输出：后验均值 ≈ Σ w_k^i · x_k^iPF 不依赖线性高斯假设，能表示多峰、偏斜等复杂后验，但计算量随粒子数增长，且存在粒子退化与样本贫化问题。KF 与 PF 的关系可以概括为：KF 是“参数化高斯近似”，PF 是“非参数化样本近似”。
三、案例场景：同一组观测，不同估计器的输出差异
假设用两个传感器估计目标位置，观测噪声一方较大、一方较小，且存在一个先验约束“目标大概率在道路区域内”。
- MLE：只看观测，可能把估计点拉到道路外，因为它不理会先验。
- MAP：在似然基础上乘上道路先验，估计点被“拉回”道路内，更符合实际。
- KF：若噪声近似高斯，KF 输出接近 MAP 的递推形式，且给出协方差用于置信区间。
- PF：若观测出现多峰（如两个候选位置），PF 能保留多峰后验，而 KF 会错误地平均成单峰。
在多源评测中，这意味着不能只用均方误差比较估计器。对多峰后验，均值可能落在两个峰之间，均方误差反而“看起来不错”，但实际估计不可用。因此需要同时考察后验覆盖度、一致性检验和鲁棒性指标。
四、误区与复盘
五、方法对比清单
| 方法 | 估计目标 | 先验使用 | 后验表示 | 适用场景 |
|---|---|---|---|---|
| 贝叶斯估计 | 完整后验分布 | 使用 | 分布 | 理论基准、需要不确定性量化 |
| 卡尔曼滤波 | 后验均值与协方差 | 使用 | 高斯参数 | 线性、高斯噪声、实时递推 |
| 粒子滤波 | 后验样本集 | 使用 | 加权粒子 | 非线性、非高斯、多峰后验 |
| 最大似然 | 点估计 | 不使用 | 无 | 先验未知、数据充足 |
| 最大后验 | 点估计 | 使用 | 无 | 先验可靠、数据稀少或噪声大 |
从评测角度看，这五种方法构成了一个从“分布级”到“点级”、从“参数化”到“非参数化”的谱系。理解它们各自对后验的假设与近似方式，才能在多源状态估计性能评测中合理解释误差来源，并选择与场景匹配的基线方法。