贝叶斯滤波从控制数据(移动机器人),感知数据(传感器)来获取最终结果的置信度bel。
贝叶斯滤波过程如上图。
我们可以分成两步:
- 通过控制量做出预测
- 结合观测量进行更新
注意到滤波器需要之前的状态,所以需要初始化开始状态
1.预测
基于进行控制预测时,应该注意到,前一时刻的状态并不确定,也是一个后验分布,应该对每一个可能状态施加获得预测,这便需要用到全概率公式,这也是伪代码中第3行积分的由来。
看一个机器人判断门状态的例子(摘自《Probabilistic robotics》):
门有两个状态, close open.所以初始概率我们可以设置如下:
在假设感知概率如下:
在加上机器人的控制操作,可以计算出
分为2类,有动作和没有动作
之后我们就可以根据贝叶斯第一步的公式计算 ,假设在time t机器人没有做任何动作,则有两种可能一种是们开着,一种是没有开。
2.测量更新
有了预测值之后,我们就需要根据传感器来更新我们的预测.时间t时,感知到门是开着的。
是归一化参数,保证最后的置信度之和为1。
计算方式很简单!
参考文献:
Thrun S. Probabilistic robotics[M]. MIT Press, 2006.
评论(0)
您还未登录,请登录后发表或查看评论