Octomap概率公式推导

详细推导过程

最近看高博关于octomap介绍地博文，其中对每个叶子节点在一系列观测数据下被占据的概率公式，看着有点绕，这里记录梳理过程。
首先公式是这样的
$$P(n|z_{1:t})=[1+\frac{1-P(n|z_t)}{P(n|z_t)}\frac{1-P(n|z_{1:t-1})}{P(n|z_{1:t-1})}\frac{P(n)}{1-P(n)}{]}^{-1}$$
其中P(n)为未观测前叶子节点是否被占据的先验概率，基于均匀假设认为空间中一个叶子节点被占据为均匀分布，即$P(n)=0.5$。$P(n|z_{1:t})$为对该叶子节点进行$1 \to t $次观测后该叶子节点被占据的概率，使用了第t次观测下被占据的概率和$1 \to t-1 $的数据和先验概率进行计算。
传感器对空间一个点的测量的测量过程，可以看作是传感器向一个空间点发射了一只箭，如果空间点处确实有物体，并且被传感器成功探测到，那么称这次测量是命中的（hit），如果有物体却没有被探测到，则称这次探测错过了目标(miss),这两个参数在octamap中就是传感器的命中参数和丢失参数。比如命中概率为0.7，错过概率为0.3。
但工程中没有直接使用这个概率，而是使用了对数几率变换（这里可能是追求一个更保险的做法），先将每次测量概率都转换到实数域上，如此对多次测量结果进行一个累计的量化，最后再转化为概率。
$$Y=\log (\frac{P}{1-P})$$
这里的Y称为log-odds，即对数几率。

对每次测量结果，其累计量化方式是累加，即
$$Y_{1:2}=Y_1+Y_2=\log (\frac{P_1}{1-P_1})+\log (\frac{P_2}{1-P_2})$$
$$=\log (\frac{P_1}{1-P_1}\frac{P_2}{1-P_2})=>\log (\frac{P_{1:t-1}}{1-P_{1:t-1}}\frac{P_t}{1-P_t})$$
这里的P含义发生了变化，指每次测量结果，如果命中，为0.7，未命中，为0.3。（P(n)=0.5,则原公式最后一项为1，略去不写）

然后利用对数几率函数 (logistic function) 这种“sigmoid”函数，将累计值转换回[0,1]区间：
$$f=\frac{1}{1+\exp (-z)}$$

完整的写法为：
$$f=\frac{1}{1+\exp [-\log (\frac{P_{1:t-1}}{1-P_{1:t-1}}\frac{P_t}{1-P_t}\frac{P(n)}{1-P(n)})]}$$
$$=\frac{1}{[1+\frac{1-P_t}{P_t}\frac{1-P_{1:t-1}}{P_{1:t-1}}\frac{P(n)}{1-P(n)}]}=原式$$

原博文高博的解析过程为：

对数几率确实是累加的，但最后通过sigmoid函数转化为概率时不能当作累加。但最后实际使用的概率，则会在一个区间内进行截断处理，处理完后，再使用sigmoid函数转换为概率。

这里的$l_{max}与l_{min}指叶节点最大和最小占据概率$，而这种处理方式，原论文表示这可以起到一种数据压缩的作用（不是很理解为啥可以数据压缩）

• 我们确保了地图中的保密性是有界的，因此该模型可以快速地适应环境的变化。此外，我们能够通过修剪来压缩邻近的体素(见第二节。3.4)。正如我们将在第二节中讨论的那样。5.4，这导致必须维持的体素数量大大减少。截断实现的压缩不再完全无损，因为接近零的信息丢失了。然而，在截断阈值之间，保留了完整的概率。（论文原文翻译）

总结：先通过对数几率转换，映射为实数域变量，然后进行累计计算，累计结果通过sigmoid函数映射回[0,1]区间。

参考

OctoMap: an efficient probabilistic 3D mapping framework based on octrees
SLAM拾萃(1)：octomap
对数几率回归（logistic regression）逻辑回归