43、多感官感知：从整合到重映射

多感官感知：从整合到重映射

在多感官感知的研究领域中，理解不同感官信号如何整合以及整合过程何时会瓦解是关键问题。下面我们将深入探讨多感官感知中信号整合的相关理论和模型。

1. 最大后验估计与信号特征

最大后验（MAP）估计在多感官感知中起着重要作用。箭头可用于表示 MAP 估计相对于最大似然估计（MLE）的偏差，箭头的方向体现了不同信号估计的权重，其长度则表示融合的程度。

当信号源自同一位置时，联合分布的方差以及从这些信号中学习到的先验方差会受到两个信号准确性变异性的影响。例如视觉和触觉信号，若它们来自同一位置，信号的准确性差异会对联合分布产生作用。

假设所有联合分布都是高斯分布，那么一个满足当前讨论的先验可以定义为一个二元正态分布，其均值和协方差矩阵有特定的参数。沿着正对角线的方差表示联合遇到两个信号的概率与它们的均值无关，而另一个方差则体现了联合分布的扩散程度，代表了信号之间可能差异的先验分布。

2. 不同先验概率下的信号状态

• 平坦先验（$\Pi_{2}$ 非常大） ：这种情况下，任何可能的信号组合都有大致相等的先验发生概率，被称为“平坦先验”。此时，感官信号之间没有映射关系，估计之间的差异也不明确。例如物体的亮度和刚度，这两个信号不太可能携带冗余信息，它们可以以任何可能的组合同时出现。在这种先验下，多感官估计不会被整合，而是保持独立，即被分离，因为整合只会给最终估计引入偏差，且由于信号不携带冗余信息，也无法从整合中获得降低方差的好处。
• $\Pi_{2}$ 接近零 ：信号仅在特定条件下出现，这些信号对