机器人概率定位学习笔记第二篇_使用python建立机器人感知函数（sense fuction）

本笔记学习于优达学城 Artificial Intelligence for Robotics课程

1,用python实现一个Uniform Probability 均衡概率数组，五个概率。

answer:

p=[]
n=5
for i in range(0,n):
    p.append(1.0/n)
print p

2,先看下图 假设世界有5个方格，机器人在哪个方格的概率是一样的，所以在每个方格为概率是0.2。接下来，让每个方格有不同的颜色，三个绿色，两个红色。

ok，下一步机器人开始感知了，机器人感知到的颜色是红色，这个是条件，所以明显的看出，在x2,x3位置处的概率应该变大，而在x1,x3,x4位置处的概率应该变小。

所以我们让正确的位置处乘以0.6,即红色位置处乘以0.6，绿色位置乘以0.2，这个两个数是随机的，但是很明显0.6是0.2的三倍。

最后计算，机器人感知之后带来的概率影响，计算每个方格的概率？

answer：0.04,0.04,0.12,0.12,0.04

3，但是上面的结果总和并不是1，所以我们要计算他们总和，并normalize distribution 标准化概率。简单的python代码可以如下

p=[]
n=5
for i in range(0,n):
    p.append(1.0/n)
p[0]=p[0]*0.2
p[1]=p[1]*0.6
p[2]=p[2]*0.6
p[3]=p[3]*0.2
p[4]=p[4]*0.2
sum1=sum(p)
for i in range(0,5):
    p[i]=p[i]/sum1
print p

4,感知方程 sense fuction ，现在我们就是要做一个感知方程，并均值化感知后的概率，python代码如下

p=[0.2, 0.2, 0.2, 0.2, 0.2]
world=['green', 'red', 'red', 'green', 'green']
Z = 'red'
pHit = 0.6
pMiss = 0.2

def sense(p, Z):
    q=[]
    for i in range(len(p)):
        hit = (Z == world[i])
        q.append(p[i] * (hit * pHit + (1-hit) * pMiss))
    a =sum(q)
    for i in range(len(q)):
        q[i]=q[i]/a
    return q
print sense(p,Z)

5,多次感知，假设现在机器人第一次感知到红色，第二次又感知到绿色，求出最后的概率

answer:

p=[0.2, 0.2, 0.2, 0.2, 0.2]
world=['green', 'red', 'red', 'green', 'green']
measurements = ['red', 'green']
pHit = 0.6
pMiss = 0.2

def sense(p, Z):
    q=[]
    for i in range(len(p)):
        hit = (Z == world[i])
        q.append(p[i] * (hit * pHit + (1-hit) * pMiss))
    s = sum(q)
    for i in range(len(q)):
        q[i] = q[i] / s
    return q
#
#ADD YOUR CODE H
for i in range(len(measurements)):
    p=sense(p,measurements[i])

print p