📚 课程目录第2章概率与估计基础

2. 概率与估计基础

无迹卡尔曼滤波（UKF）并不是凭空出现的算法，它建立在概率论与统计估计的完整理论链条之上。理解这条链条，才能明白为什么卡尔曼滤波要那样写预测与更新，也才能理解 UKF 在非线性场景中究竟改动了哪一环。本节从随机变量出发，经高斯分布、贝叶斯估计、最小均方误差估计，最终落到卡尔曼滤波，把这条主线一次讲清。

一、随机变量：把不确定性写成数学对象

在滤波问题中，我们关心的量几乎都是不确定的：车辆的位置、速度、姿态角，传感器的测量值，过程噪声。这些量无法用确定数值描述，只能用随机变量刻画。随机变量是一个从样本空间到实数的映射，它把“可能发生的结果”变成可以运算的数值。

描述随机变量有两类工具：

概率密度函数（PDF）：描述取值在某个区间附近的相对可能性，连续情形下 p(x) 满足非负且积分为 1。
数字特征：均值 E[x] 描述中心位置，方差 Var(x) 或协方差矩阵 P 描述离散程度与各分量之间的相关性。

滤波中真正被递推传播的，往往不是完整 PDF，而是均值和协方差这两个数字特征。这正是卡尔曼滤波高效的根本原因，也是 UKF 仍然沿用均值—协方差框架的原因。

二、高斯分布：滤波世界的“通用语言”

高斯分布（正态分布）由均值 μ 和协方差 Σ 完全确定，记作 x ~ N(μ, Σ)。它有三个对滤波极其关键的性质：

线性变换封闭：若 x ~ N(μ, Σ)，则 y = Ax + b 仍服从高斯分布，且 y ~ N(Aμ + b, AΣAᵀ)。
条件分布仍是高斯：联合高斯的条件分布依然是高斯，这使贝叶斯更新可以只用均值和协方差完成。
边缘分布仍是高斯：对部分变量积分后，剩余变量仍为高斯。

正因为高斯分布在这三种操作下“闭合”，卡尔曼滤波才能用有限几个矩阵递推地完成整个贝叶斯估计，而不需要存储任意形状的概率密度。

核心结论：卡尔曼滤波 = 在高斯假设下，对贝叶斯递推的均值和协方差做精确闭式求解。UKF 则是在非线性条件下，用确定性采样点近似这套均值和协方差的传播。

三、贝叶斯估计：滤波的统一框架

贝叶斯估计把“已知什么”和“观测到什么”统一在一个公式里。设 x 为状态，z 为观测，则后验分布为：

p(x | z) = p(z | x) · p(x) / p(z)

其中：
  p(x)        先验分布（预测得到）
  p(z | x)    似然（观测模型决定）
  p(x | z)    后验分布（更新得到）
  p(z)        归一化常数

滤波的递推结构正是贝叶斯公式的时序版本：

预测步：用状态转移模型把上一时刻后验推成当前时刻先验 p(xₖ | z₁:ₖ₋₁)。
更新步：用当前观测 zₖ 通过贝叶斯公式把先验修正为后验 p(xₖ | z₁:ₖ)。

所以卡尔曼滤波不是“另一种方法”，而是贝叶斯估计在高斯线性条件下的解析实现。UKF 则是贝叶斯估计在高斯假设下、允许非线性模型的一种数值近似实现。

四、最小均方误差估计：贝叶斯框架下的最优准则

有了后验分布，还需要一个“取哪个值作为估计”的准则。最小均方误差（MMSE）准则定义为最小化估计误差的平方期望：

J(x̂) = E[ (x - x̂)ᵀ (x - x̂) | z ]

对 x̂ 求导并令其为零，可得：
  x̂_MMSE = E[ x | z ]

也就是说，后验均值就是 MMSE 意义下的最优估计。这一点把贝叶斯估计和卡尔曼滤波直接连了起来：卡尔曼滤波输出的状态估计，正是后验均值；输出的协方差，正是后验协方差，即 MMSE 的误差下界。

概念	数学对象	在卡尔曼滤波中的对应
随机变量	x, z, w, v	状态、观测、过程噪声、观测噪声
高斯分布	N(μ, Σ)	状态估计 x̂ 与协方差 P
贝叶斯估计	p(x\|z) ∝ p(z\|x)p(x)	预测步 + 更新步递推
MMSE 准则	x̂ = E[x\|z]	卡尔曼增益加权后的状态修正
线性高斯条件	闭式解存在	标准卡尔曼滤波方程
非线性条件	闭式解不存在	UKF 用 Sigma 点近似传播

五、从理论到算法：一张关系图看清全链条

下面这张图把本节的核心逻辑串起来：随机变量提供描述对象，高斯分布提供可运算的结构，贝叶斯估计提供递推框架，MMSE 提供最优准则，三者共同导出卡尔曼滤波；当模型非线性时，UKF 通过确定性采样替代解析线性化，继续沿用同一套均值—协方差递推。

六、案例：一维匀速运动中的贝叶斯递推

设目标做匀速直线运动，状态 x = [位置, 速度]ᵀ，观测为位置。过程噪声和观测噪声均为零均值高斯。按本节理论，滤波过程可以写成：

# 预测步（贝叶斯先验）
x_pred = F @ x_est
P_pred = F @ P_est @ F.T + Q

# 更新步（贝叶斯后验 + MMSE）
y = z - H @ x_pred              # 新息
S = H @ P_pred @ H.T + R        # 新息协方差
K = P_pred @ H.T @ inv(S)       # 卡尔曼增益
x_est = x_pred + K @ y          # 后验均值 = MMSE 估计
P_est = (I - K @ H) @ P_pred    # 后验协方差

可以看到，预测步对应贝叶斯公式中的先验传播，更新步对应后验计算，而 x_est 正是后验均值，即 MMSE 估计。整个算法没有出现任何概率密度函数的显式积分，因为高斯假设让积分变成了矩阵运算。

七、常见误区与复盘

误区一：把卡尔曼滤波当成“加权平均”经验公式。 卡尔曼增益 K 不是拍脑袋的权重，而是由 P、H、R 通过贝叶斯后验推导出的最优权重。改变 R 或 Q，K 会自动调整，这正是贝叶斯框架的威力。

误区二：认为 UKF 抛弃了贝叶斯和 MMSE。 恰恰相反，UKF 仍然以贝叶斯递推为框架、以 MMSE 为准则，只是把“线性变换下高斯分布封闭”这一解析条件，替换为“Sigma 点采样后重构均值与协方差”的数值近似。

复盘要点： 判断一个滤波算法是否“最优”，先看它是否在贝叶斯框架下计算后验，再看它是否用后验均值作为输出。满足这两点，它就是 MMSE 意义下的最优估计；差别只在于后验的计算方式——解析、线性化还是采样近似。

把本节的关系记牢：随机变量是描述对象，高斯分布是可运算的结构，贝叶斯估计是递推框架，MMSE 是最优准则，卡尔曼滤波是这四者在“线性 + 高斯”条件下的闭式解。UKF 之所以出现，是因为现实系统往往非线性，而贝叶斯递推中的积分不再有闭式解，于是我们用确定性采样去近似它。这条主线，是后续理解 UKF 预测与更新公式的基础。