基于贝叶斯准则的状态概率更新

\quad 基于贝叶斯准则表达获取测量值后的状态概率更新
\qquad 首先关于$Z=z$的贝叶斯准则，只要$p(y|z)>0$：
$$p(x|y,z)=\frac{p(y|x,z)p(x|z)}{p(y|z)}$$

\qquad 由概率生成法则可得在获取测量值后状态概率的更新(目标后验)表达式
$$p(x_t|z_{1:t},u_{1:t})=p(x_t|z_t,z_{1:t-1},u_{1:t})=\frac{p(z_t|x_t,z_{1:t-1},u_{1:t})p(x_t|z_{1:t-1},u_{1:t})}{p(z_t|z_{1:t-1},u_{1:t})}$$此时$z_{1:t-1},u_{1:t}$看作上式的条件$Z$。
\qquad 依据伯努利分布(Bernoulli distribution)建模，${\theta }_g=1$表示检测到目标，其概率使用$P_{i,k}({\theta }_g=1)$表示。${\theta }_g=0$表示未检测到目标，其概率使用$1-P_{i,k}({\theta }_g=1)$表示。
\qquad 其中，$i$表示第$i$个机器人，$g$表示概率密度栅格图中第$g$个栅格，$k$表示第$k$个时间点。使用符号${\mathcal{P}}_{i,g,k}$定义概率$P_{i,k}({\theta }_g=1)$。则测量更新表达式为：
$${\mathcal{P}}_{i,g,k}=\frac{P(Z_{i,g,k}|{\theta }_g=1){\mathcal{P}}_{i,g,k-1}}{P(Z_{i,g,k}|{\theta }_g=1){\mathcal{P}}_{i,g,k-1}+P(Z_{i,g,k}|{\theta }_g=0)(1-{\mathcal{P}}_{i,g,k-1})}$$ \qquad 使用伯努利分布建模后的测量更新与一般式的不同表现在$归一化常数\eta 使用测量概率的全概率公式表示$。
\qquad 令$P(Z_{i,g,k}=1|{\theta }_g=1)=p,P(Z_{i,g,k}=1|{\theta }_g=0)=q$，则
$${\mathcal{P}}_{i,g,k}=\{\begin{array}{l}\frac{p{\mathcal{P}}_{i,g,k-1}}{p{\mathcal{P}}_{i,g,k-1}+q(1-{\mathcal{P}}_{i,g,k-1})}if{Z}_{i,g,k}=1,\\ \frac{(1-p){\mathcal{P}}_{i,g,k-1}}{(1-p){\mathcal{P}}_{i,g,k-1}+(1-q)(1-{\mathcal{P}}_{i,g,k-1})}if{Z}_{i,g,k}=0,\\ {\mathcal{P}}_{i,g,k-1}otherwise.\end{array}$$化简得：
$$\frac{1}{{\mathcal{P}}_{i,g,k}}-1=\{\begin{array}{l}\frac{q}{p}(\frac{1}{{\mathcal{P}}_{i,g,k}-1}-1),if{Z}_{i,g,k}=1\\ \frac{1-q}{1-p}(\frac{1}{{\mathcal{P}}_{i,g,k}-1}-1),if{Z}_{i,g,k}=0\\ \frac{1}{{\mathcal{P}}_{i,g,k-1}}-1,otherwise.\end{array}$$对其取$ln$运算，则
$$Q_{i,g,k}\stackrel{\Delta }{=}ln(\frac{1}{P_{i,g,k-1}}-1)$$则
$$Q_{i,g,k}=Q_{i,g,k-1}+v_{i,g,k}$$其中：
$$v_{i,g,k}\stackrel{\Delta }{=}\{\begin{array}{l}ln\frac{q}{p},if{Z}_{i,g,k}=1\\ ln\frac{1-q}{1-p},if{Z}_{i,g,k}=0\\ 0,otherwise.\end{array}$$ \qquad 由此，当目标存在时，$Q_{i,g,k}$趋向于$-\infty$，即${\mathcal{P}}_{i,g,k}$趋向于1。当目标不存在时，$Q_{i,g,k}$趋向于$+\infty$，即${\mathcal{P}}_{i,g,k}$趋向于0。
\qquad 其中潜在的问题是存储$Q_{i,g,k}$过程中会出现数值过大，存储溢出的情况。给定边界$\mathbf{Q}>0$，使得
Q i , g , k = m a x { m i n ( Q i , g , k , Q ) , − Q } Q_{i,g,k}=max\{min(Q_{i,g,k},\boldsymbol{Q}),-\boldsymbol{Q}\} Qi,g,k​=max{min(Qi,g,k​,Q),−Q} \qquad 则${\mathcal{P}}_{i,g,k}\in [(1/(1+e^{\mathbf{Q}})),(1/(1+e^{-\mathbf{Q}})]$，$\mathbf{Q}$需要足够大使得$P_{i,g,k}$接近(0,1)。