机器人入行指南
原理层/两把尺子和一把更好的尺子

原理层 T4 / 27 · 高中出发

两把尺子和一把更好的尺子

均值、方差、正态分布是高中统计内容。这一篇只用它们,推出卡尔曼滤波最核心的一条:两个「不太准」的测量合起来,可以比谁都准。

尺子A σ=1mm尺子B σ=3mm融合 σ=0.95mm融合结果比任何一把单尺都窄反方差加权:σ=1mm 的占九成、σ=3mm 的占一成,合并方差 0.9mm²——「合起来更准」是定理不是口号
约 25 分钟1 定理3 步证明3 题自测

一句话结论

卡尔曼滤波在「单次融合」这一步,数学上就是一次加权平均。权重反比于方差——听起来吓人,算起来是一道配方求最小值的题。

动图版 · 拖两条钟形曲线改胖瘦,融合结果永远比两把单尺都窄——反方差加权的动画版

/labs/kalman/ 实验台现在就能玩;/math/expect/ 的深水版需要概率公理。这一篇是从高中统计直通实验台的第三条路。

为什么需要它

两把尺子测同一根轴:一把 ±1mm,一把 ±3mm,各测了一次。信谁?各信多少?

答案不是扔掉差的,是加权平均:准的多信,散的少信。

加完之后,方差比两把里任何一把都小——「合起来更好」有定量版本。

定义

方差与正态分布

方差 Var = 平均的(离差)²,标准差 σ = √Var。正态分布里约 68% 的样本落在 μ±σ,95% 落在 μ±2σ。

为什么这样定方差衡量「测量的散布」,是「该信多少」的定量依据:σ 越大越散,越不该全信。

定理与证明

定理(反方差加权)

两个无偏估计 x̂₁(方差 σ₁²)与 x̂₂(σ₂²),取 x̂ = w·x̂₁ + (1−w)·x̂₂。方差最小的权重是 w = σ₂²/(σ₁²+σ₂²),且合并方差 σ² = σ₁²σ₂²/(σ₁²+σ₂²),比两个里较小的那个还小。

证

独立性下方差直接相加:Var(x̂) = w²σ₁² + (1−w)²σ₂²。展开是关于 w 的二次函数(凸的,开口向上)。

对 w 求导置零:2w·σ₁² − 2(1−w)·σ₂² = 0,解得 w = σ₂²/(σ₁²+σ₂²)。注意分子是「另一把尺子」的方差——越不准的邻居,权重越低。

代回整理:Var(x̂) = σ₁²σ₂²/(σ₁²+σ₂²)。要证它 ≤ min(σ₁², σ₂²),不妨设 σ₂² ≥ σ₁²,则合并式分母 ≥ σ₂²,故 ≤ σ₁²σ₂²/σ₂² = σ₁²。

注「合起来更好」是定理,不是口号。卡尔曼滤波在单次融合时的卡尔曼增益 K,正是从这个 w 扩展到矩阵版本。

手算一遍

σ₁ = 1mm,σ₂ = 3mm。算权重和合并后的标准差。

  1. w = σ₂²/(σ₁²+σ₂²) = 9/(1+9) = 0.9——好尺子占九成。
  2. 合并方差 = 1×9/(1+9) = 0.9 mm²。
  3. σ = √0.9 ≈ 0.949mm。
答

合并后 ±0.95mm,比好尺子(±1mm)还好。「扔掉差的」反而不如「都用上」。

实跑一遍

数字出处

蒙特卡洛实跑(生成器真算):两把尺子各测 20000 次,真值 100mm,按权重 0.9/0.1 融合:

  • 融合结果的样本标准差 = 0.95mm,与公式的 √0.9 ≈ 0.949mm 吻合到第三位。
  • 两次独立的信息合在一起,永远不比单次差——这是整个估计理论的底盘。

映射回强化学习

这里的对象RL 里的对应物站内用法
反方差加权 w卡尔曼增益 K(单次融合特例)用法 →
正态假设概率测度(深水版)用法 →
均值与方差期望与集中不等式用法 →

边界:这一篇停在哪里

本篇停在「静态的两次测量」。测量之间有时间演化(预测步)、状态多维(矩阵版增益)、噪声非高斯(粒子滤波),在 /k/B7/ 与 /labs/kalman/。

自测 3 题

全是手算和「找证明错在哪」类题目,不出背诵题。答不上来回到对应小节。

01两把一模一样的尺子(σ₁=σ₂)合并后 σ 变成多少?

w=0.5,合并方差 = σ²/2,σ 变成 1/√2 ≈ 0.707 倍——测两次就是比测一次准。

02为什么权重不用 0.5 而用反方差?

信不准的那把会把合并结果拖散。反方差权重是「让合并方差最小」的解,不是审美选择。

03「合起来更准」依赖哪两个假设?破坏了怎么办?

无偏(均值对)+ 独立。有系统偏差时再怎么加权都偏(偏差不平均掉);相关时方差公式要加协方差项——深水版的入口。

接着看

全系列 27 篇

T1矩阵就是旋转的记账本约 25 分钟T2从斜率到梯度:机器人学习算法的第一行约 25 分钟T3向量与受力:点积的物理读法约 20 分钟T4两把尺子和一把更好的尺子约 25 分钟T5电机转一圈的账:弧度、转速与功率约 20 分钟T6复数乘法就是旋转:四元数的一维版约 20 分钟T7基与坐标:为什么机器人什么都用矩阵约 45 分钟T8矩阵乘法:变换的串联,不是表格运算约 40 分钟T9雅可比:关节转一度,末端动多少约 45 分钟T10特征向量:矩阵不敢动的方向约 45 分钟T11SVD 与伪逆:没有精确解时,找最近的解约 50 分钟T12泰勒展开:用直线替曲线打工约 40 分钟T13概率空间:为什么「随机」需要公理约 50 分钟T14期望:「平均」的严格构造约 55 分钟T15条件期望:竖线的真正含义约 60 分钟T16四个不等式:「多少样本才够」的定量答案约 45 分钟T17范数与不动点:「一定收敛」的出处约 55 分钟T18马尔可夫链:时间平均何时等于集合平均约 55 分钟T19MDP 的数学构造:一条公理值多少钱约 50 分钟T20动态规划:两种迭代的账约 50 分钟T21优化:约束为什么不能只靠罚约 55 分钟T22随机逼近:学习率公式里的每一条约 55 分钟T23接触的数学:Hertz 理论约 45 分钟T24摩擦与摩擦锥:约束的几何形状约 40 分钟T25力封闭与抓取度量:ε 是一个线性规划约 50 分钟T26接触运动学:滚动为什么不是「贴着滑」约 45 分钟T27滑移检测:从「感觉到了」到「算出来了」约 50 分钟