slam--高斯分布

教程

博主解释

多维高斯,一维和二维图像

高斯分布

高斯分布 (Gaussian Distribution),又称正态分布 (Normal Distribution),是描述连续型随机变量分布规律的一种概率分布。

(1) 一维高斯分布
  • μ :均值/数学期望(分布的中心位置),数据集中在均值 μ 附近。

  • σ2 :方差(衡量数据离散程度,σ 为标准差)。

  • exp⁡(⋅):自然指数函数。

-- 简单理解:水机变量集中分布在均值附近的分布。

高斯白噪声

均值通常为 0的高斯噪声。

多维高斯分布

什么是高斯的维数?

就是高斯函数的自变量有几个。

一维:

二维:

三维:

多维高斯pdf:

  • x:n 维向量。

  • μ:均值向量。

  • Σ:协方差矩阵(描述各维度的方差和相关性)。

  • Σ−1:协方差矩阵的逆矩阵。

k 维高斯分布的PDF为:

  • 参数

    • μ:均值向量(k×1)。

    • x:k维向量,表示有k个自变量。

    • Σ:协方差矩阵(k×k,对称正定)。

  • 马氏距离(Mahalanobis Distance):

应用场景

  • 多变量数据建模(如机器人位姿估计)。

表达式解释

为什么需要转置?

在多维高斯分布的指数部分,(x−μ),Σ都是矩阵,矩阵乘法需要满足左矩阵的列数等于右矩阵行数,才能计算,所以:

  1. Σ−1是 n×n 的矩阵。
  2. x−μ 是 n×1的列向量。
  3. 为了矩阵乘法合法,需将第一个向量转为行向量(1×n),即 (x−μ)T。

多维高斯函数中的二次型

在多维高斯分布的指数部分,(x−μ)TΣ−1(x−μ)是一个二次型(Quadratic Form),应该说是一个加加权二次型。

二次型是线性代数和多元统计中的核心概念。

对于 n 维向量 x∈Rn 和一个 n×n的对称矩阵 A,x的二次型定义为:

加权二次型

即二次型中的对称矩阵A有权重:

slam中最小二乘的误差的加权二次型,定义为:

相关推荐
EQUINOX12 天前
如何理解泊松分布
概率论
幻风_huanfeng3 天前
人工智能之数学基础:概率论之韦恩图的应用
概率论·韦恩图
金色光环7 天前
切比雪夫不等式的理解以及推导【超详细笔记】
概率论
幻风_huanfeng8 天前
人工智能之数学基础:概率论和数理统计在机器学习的地位
人工智能·神经网络·线性代数·机器学习·概率论
点云SLAM9 天前
海森矩阵(Hessian Matrix)在SLAM图优化和点云配准中的应用介绍
算法·机器学习·矩阵·机器人·概率论·最小二乘法·数值优化
港港胡说14 天前
概率论-独立同分布
概率论
F_D_Z16 天前
【EM算法】三硬币模型
算法·机器学习·概率论·em算法·极大似然估计
金色光环19 天前
概率论:理解区间估计【超详细笔记】
笔记·数学·概率论·数理统计·区间估计
微小冷25 天前
二关节机器人系统模型推导
线性代数·机器人·概率论·推导·拉格朗日函数·二关节机器人·机器人控制系统的设计
软件开发技术深度爱好者25 天前
概率中“都发生”和“至少一个”问题的解答
概率论·数学广角