概率机器人（Probability Robotics）笔记 Chapter 6: 测量（Measurements）

1. 简介

测量模型描述了在物理世界中传感器数据的生成。
概率机器人学将噪声显式地融入传感器测量模型中。
测量模型定义为条件概率$p(z_t|x_t,m)$
对于超声波的噪声：
1.偏大：以特定角度测量光滑平面->反射（specular reflection效应）
2.偏小：sensor之间cross talk
传感器模型越准确越好，但不可能完全准确（太花时间，且外部世界状态变量可能未知）
实际中，非常粗糙的传感器模型也可以工作。这就是概率机器人学的优势
传感器同时有多个数据，假设噪声互相独立，即有$p(z_t|x_t,m)={\prod }_{k=1}^{k}p(z_t|x_t^k,m)$

2. 地图

环境的地图是一个环境中的物体与其位置的表单
地图常以两种方式索引：基于特征，和基于位置。各有优劣
基于位置的描述为Volumetric，标记所有位置，即不仅包含有物体的信息，也包含没物体的信息
基于特征的描述可以更简单的对物体进行移动。
一类经典的基于位置描述的地图为Occupancy Grid Map，适合用来搞Navigation

3. 测距传感器的光束模型

测距传感器可以是光束的（如激光），也可以是锥形的（如超声波）

3.1 基础测量算法

模型包含四种测量误差：较小的测量误差，意料之外的物体引发的误差，传感器探测物体失败，随机的不可解释的误差。

1. 正确测距+局部测量误差：定义$z_t^{k\ast }$为$z_t^k$应测得的真实距离，由$x_t$和$m$决定，则测量值为窄分布的高斯噪声，均值为$z_t^{k\ast }$，标准差为${\sigma }_{hit}$，标记本高斯分布为$p_{hit}$。实际中测量数据必大于0，小于传感器量程，因此高斯分布仅保留$[0;z_{max}]$部分，再进行概率归一化。
2. 意料之外的物体：可导致测量数据非常短。可以将这种物体视作环境状态变量，也可以视作传感器噪声。按后者时，测量比真实距离小。探测到这种物体的概率随距离指数减小，概率分布的参数${\lambda }_{short}$是模型的内参，概率分布函数是${\lambda }_{short}{e}^{-{\lambda }_{short}{z}_t^k}$取$[0;z_t^{k\ast }]$部分，再概率归一化。
3. Failures: 例如以大角度照射光滑平面、照射吸光平面、强光下进行测量。通常返回最大测量值$z_{max}$，所以是在该处的冲击函数分布，实际中建模为一个窄平均分布或窄高斯分布。
4. 随机测量：不可解释，在$[0;z_{max}]$上平均分布

以上四种分布按权重（$z_{hit}$，$z_{short}$，$z_{max}$，$z_{rand}$）线性叠加，四个系数相加为1。

光束测距模型算法：输入为测量$z_t$（多个光束），机器人位姿$x_t$，还有地图$m$。将某一个测量向量的可能性，是所有单个光束可能性的乘积，即假设光束之间独立。具体算法：

1····Algorithm beam range finder model ( $z_t;x_t;m$ ):
2····$q=1$
​3····for $k=1$ to $K$ do
4········compute $z_t^{k\ast }$ for the measurement $z_t^k$ using ray casting
5········ p = z h i t ⋅ p h i t ( z t k ∣ x t , m ) + z s h o r t ⋅ p s h o r t ( z t k ∣ x t , m ) p = z_{hit} · p_{hit}(z_t^k|x_t, m) + z_{short} · p_{short}(z_t^k|x_t,m) p=zhit​⋅phit​(ztk​∣xt​,m)+zshort​⋅p