斯坦福大学AA274A课程《机器人自主性原理》：定位与滤波器（2019年秋季）

（原标题：Stanford AA274A Principles of Robotic Autonomy | Autumn 2019 | Localization & Filters）

🎯 核心概述

机器人自主性架构遵循“感知、思考、行动”范式，其中定位与建图是安全高效运行的基础。本课程聚焦基于地图的定位方法，利用概率论框架解决不确定性问题。通过引入贝叶斯滤波算法，系统能够顺序摄入传感器数据（如激光雷达、相机），结合控制输入动态更新对机器人状态的概率估计。该过程分为预测与校正两个递归步骤，旨在处理模型误差与测量噪声，为后续扩展卡尔曼滤波器（EKF）等近似算法奠定理论基础，确保机器人在复杂环境中具备实时定位能力。

📐 概率论基础与数学工具

• 随机变量分类：分为离散型（由概率质量函数描述）与连续型（由概率密度函数描述），两者均满足归一化公理，即总概率为1。
• 条件概率定义：$P(X|Y) = P(X,Y)/P(Y)$，其本质是在已知事件 $Y$ 发生的前提下，对样本空间进行重归一化处理，从而更新对事件 $X$ 的认知。
• 独立性判定：若两个随机变量相互独立，则满足 $P(X|Y) = P(X)$，表明变量 $Y$ 不包含关于变量 $X$ 的任何信息，反之亦然。
• 贝叶斯规则推导：结合条件概率定义与全概率定理，可反转依赖关系。通过已知的似然函数 $P(Y|X)$（数据给定状态的概率）和先验概率 $P(X)$（状态的初始分布），计算后验概率 $P(X|Y)$（状态给定数据的概率）。
• 期望值与协方差：期望值是随机变量取值与其概率乘积之和，作为线性算子概括分布的中心趋势；协方差衡量两个变量的联合变异性，归一化后的相关系数在完全对齐时为 $\pm1$，变化方向随机时为零。

🤖 定位问题建模与状态定义

• 两种主要定位方法：行为学方法（如沿墙行走）无需显式地图，鲁棒性强但难以扩展至通用环境；基于地图的方法需维护显式地图与位置信念，数学复杂度高且易出现内部表示发散，但具备最强的通用性。
• 状态空间定义：状态包含所有能影响未来的机器人及环境属性（如位姿、速度）。该定义必须满足马尔可夫性质，即当前状态足以预测未来演化，无需依赖历史数据序列。
• 信念表示形式：可用单峰分布表示（计算高效，适用于轨迹跟随场景）或多模态分布表示（更灵活，能处理多假设场景，如走廊中的左右歧义）。
• 不确定性传播机制：测量动作通过提供约束减少状态的不确定性；控制动作因模型误差和外部扰动导致不确定性增加。动态演化遵循“进入状态 $\rightarrow$ 获取测量 $\rightarrow$ 执行控制 $\rightarrow$ 转移至下一状态”的序列，构成隐马尔可夫模型结构。

🔄 贝叶斯滤波算法流程

• 核心公式与归一化：利用贝叶斯规则推断状态 $X$，后验概率等于似然函数乘以先验概率，再除以数据的总概率（归一化常数 $\eta$）。由于 $\eta$ 不随估计量 $x$ 变化，计算时可视为常数，避免重复计算以提升效率。
• 预测步骤：基于上一时刻信念和最新控制输入 $u_t$，利用全概率公式对前一时刻所有可能状态求和（或积分），结合状态转移模型计算当前状态的先验概率（预测信念）。此过程未包含最新测量信息。
• 校正步骤：结合最新测量值 $z_t$，应用贝叶斯法则将测量似然函数与预测信念相乘，并通过归一化因子 $\eta$ 确保概率分布积分为1，从而更新为最终信念（后验信念）。
• 条件独立性假设：在已知当前状态的情况下，历史测量值对预测新测量值不提供额外信息；控制输入 $u_t$ 通常由历史观测决定，故不改变前一时刻的信念估计。这一假设简化了联合概率分布的分解。

💡 算法特性与工程实现

• 通用性与计算复杂度：该通用贝叶斯滤波算法适用于任意马尔可夫过程，理论上能处理任意非线性、非高斯系统。然而，直接实现涉及对连续状态空间的高维积分或离散化求和，计算复杂度过高，难以满足实时系统的延迟要求。
• 近似策略需求：为了具备工程可行性，后续需通过近似简化基本算法。常见方法包括粒子滤波（蒙特卡洛采样）或扩展卡尔曼滤波器（EKF），后者在高斯分布假设下对非线性模型进行线性化近似。
• 编码实现逻辑在实际编程中，需先计算所有未归一化的概率项并求和得到 $\eta$，最后统一进行归一化处理。这种两步迭代结构确保了信息的最优融合，避免了历史数据的冗余存储。

📝 结论与后续计划

• 理论框架确立：本课程完成了贝叶斯滤波两步推导的直觉解释与形式化证明，明确了预测信念与更新信念之间的数学关系。理解条件概率的样本空间解释有助于避免直觉误区，确保在复杂机器人系统中正确应用概率推理。
• 课程作业要求：学生需在高斯分布假设下实现扩展卡尔曼滤波器（EKF），将理论转化为可执行的代码，重点掌握线性化近似与协方差传播的计算细节。
• 后续内容预告：下一讲将继续探讨如何对基本算法进行进一步近似处理，以满足实时定位的计算需求，并深入分析不同传感器融合场景下的参数选择与误差累积问题。