机器人控制概率基础:条件概率、全概率定理、贝叶斯准则、置信分布等

写在前面:本文为原创,如需转载请注明出处。欢迎大家留言共同探讨,有误的地方也希望指出。另如果有好的SLAM、ROS等相关交流群也希望可以留言给我,在此先谢过了。
本文参考:《概率机器人》

0引言

概率是进行机器人控制、定位与建图的核心基础知识,相信这一点大家都深有体会。各种滤波算法都是根据贝叶斯概率公式的基础所衍生出来的算法。其实这点也很好理解,毕竟任何对外界的测量都是包含一定的不确定性的,而且运行的执行元件也不是完全精确,所以通过“估计”来处理机器人的测量和运动是更可以提高系统精度和鲁棒性的做法。所以,理清一些关键的概率概念就十分必要了。本文将从以下几个方面来进行整理,增加自己对这些概念的理解,如有需求也会随时扩充。

  • 随机变量
  • 概率密度函数
  • 条件概率
  • 全概率定理
  • 先验/后验概率分布
  • 条件独立
  • 期望与协方差
  • 表征演变的动态贝叶斯网络
  • 置信分布

1 随机变量

随机变量(random variable)表示随机试验各种结果的实值单值函数。随机事件不论与数量是否直接有关,都可以数量化,即都能用数量化的方式表达。
以上是百度百科的表达,说的直白一些就是随机变量可以成为一些值,而且这些值是按照某种概率的行为来取值的。
这里用X来表示随机变量,用x来表示其取的值。那么举个例子就可以是, X可以表示“明天的天气”这个随机变量,其可以取的值有“晴天”、“下雨”等等。加入有30%的概率下雨,则p(X="Rain")=0.3
在机器人中,各种机器的测量值和状态值以及环境的信息都是概率化的事实,所以可以用随机变量来表示。

2 概率密度函数

概率密度函数是一个描述这个随机变量的输出值,在某个确定的取值点附近的可能性的函数。而随机变量的取值落在某个区域之内的概率则为概率密度函数在这个区域上的积分。
这个概念比较好理解,即是把针对于不同值的随机变量的取值用函数来表达。用图片可以更方便一些:

不同正态分布的概率密度函数

3 条件概率

随机变量经常与其他不同的随机变量可以产生联系,比如今天能不能踢球跟作业留的多不多就很有关系。所以条件概率用以描述已知一个随机变量的值后另一个随机变量取某值的概率:
p(x|y)=p(X=x|Y=y)
条件概率可以定义为:
p(x|y)=\frac{p(x,y)}{p(y)}
更进一步,如果XY相互独立,则有:
p(x|y)=\frac{p(x)p(y)}{p(y)}=p(x)
很好理解,没有什么关系的事情变成什么样也影响不了你关心的事情。

4 全概率定理

从条件概率中可以得出一个全概率定理(theorem of total probability),即针对另一个随机变量的全加和可以消去这个随机变量,更确切可以表述为:

p(x)=\sum_{y}p(x|y)p(y) (离散情况)
p(x) = \int p(x|y)p(y)dy (连续情况)

5 先验/后验概率分布

在机器人控制中,如果x是一个希望由y 推测出来的数值,则概率p(x)称为先验概率分布 ,其中y称为数据,也就是传感器的测量值。分布p(x)总结了在综合数据y之前已经有的关于x的信息。则概率p(x|y)称为在随机变量X上的后验概率分布

6 条件独立

当有以其他变量Z为条件的相互独立的随机变量条件联合概率为
p(x,y|z)=p(x|z)p(y|z)
则这种关系可以被称为条件独立。上式也可等价为
p(x|z)=p(x|z,y); p(y|z)=p(y|z,x)

7 期望与协方差

随机变量X期望可以由下式给定:
E[X]=\sum_{x}xp(x) (离散)
E[X]=\int xp(x)dx (连续)
期望是随机变量的线性函数,对于任意数值a,b有:
E[aX+b]=aE[X]+b
X协方差可以由下式求得
Cov[X]={E[X-E[X]]}^2 = E[X^2] - E{[X]}^2
协方差衡量的是偏离均值的二次方期望。

8 表征演变的动态贝叶斯网络

针对于离散的控制动作u_i与测量z_i,状态x_t的改变过程可以由以下形式的概率分布给出:
p(x_t|x_{0:t-1},z_{1:t-1},u_{1:t})
根据马尔可夫链,如果状态x是完整的,那么他是所有以前时刻发生的所有状态的充分总结,再根据条件独立,即上式可以简化为:
p(x_t|x_{t-1},u_t)
其也被称为状态转移概率,它指出了状态作为机器人控制量u_t的函数是如何随着时间变化的。
概率p(z_t|x_t)叫作测量概率,根据该表达,测量z只和环境状态x相关。
因此,这一系列状态转换形式可以由下图形象表述:

动态贝叶斯网络(摘自《概率机器人》)

这样的时间生成模型也称为隐式马尔可夫模型或者动态贝叶斯网络

9 置信分布

因为状态不能直接测量,所以需要用置信度来反映机器人的环境状态信息。在概率机器人中,置信度通过条件概率分布表示。对于真实的状态,置信度分布为每一个可能的假设分配一个概率。置信度分布是以可以获得的数据为条件的关于状态变量的后验概率,用bel(x_t)来表示。
其代表如下后验概率:bel(x_t)=p(x_t|z_{1:t},u_{1:t})
该置信度是在综合了测量z_t之后得到的,但如果在刚刚进行过控制u_t之后,测量z_t之前,计算置信分布是有意义的,即:
\overline{bel}(x_t)=p(x_t|z_{1:t-1},u_{1:t}),在滤波的框架下,上式就是熟悉的预测,即在t时刻的测量前预测t时刻的状态。由\overline{bel}(x_t)来计算bel(x_t)则称为修正或者测量更新

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,772评论 6 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,458评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,610评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,640评论 1 276
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,657评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,590评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,962评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,631评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,870评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,611评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,704评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,386评论 4 319
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,969评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,944评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,179评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 44,742评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,440评论 2 342

推荐阅读更多精彩内容