调节固有模型参数

上接测量噪声 \quad 包含噪声的测量仪测量模型
\qquad 建立含噪声的测量模型后，需要选择传感器模型参数，参数包含$z_{hit}、z_{short}、z_{max}、z_{rand}、{\sigma }_{hit}$和${\lambda }_{short}$，所有的内部参数标记为$\mathbf{\Theta }$，传感器测量的似然就是$\mathbf{\Theta }$的函数。
\qquad 从实际数据中获得这些参数，通过考虑参考数据集 Z = { z i } Z=\{z_{i}\} Z={zi​}(联合位置 X = { x i } X=\{x_{i}\} X={xi​}和地图$m$)的似然最大化。似然由下式给出
$$p(Z|X,m,\mathbf{\Theta })$$ \qquad 目标是确定使这个似然最大的固有参数$\mathbf{\Theta }$。使用数据似然最大化的估计或算法称为极大似然估计或$ML$估计。为了推导极大似然估计，引入辅助变量$c_i$，即一致性变量。$c_i$可能取四个值，对应着产生测量$z_i$的四个可能途径。
\qquad 基于$c_i$的值，可以将$Z$分解为四个不相交的子集$Z_{hit}、Z_{short}、Z_{max}$和$Z_{rand}$。对于参数$z_{hit}、z_{short}、z_{max}、z_{rand}$的极大似然估计是简单的归一化系数。
$$\left(\begin{array}{c}{z}_{hit}\\ z_{short}\\ z_{max}\\ z_{rand}\end{array}\right)=|Z{|}^{-1}\left(\begin{array}{c}|Z_{hit}|\\ |Z_{short}|\\ |Z_{max}|\\ |Z_{rand}|\end{array}\right)$$ \qquad $|Z_{\ast }|$表示所有测量点$z_i$在每次测量中的权值(对应四种途径)和。获取固有参数${\sigma }_{hit}$
$$\begin{gathered} p(Z_{hit}|X,m,\mathbf{\Theta })=\prod _{z_i\in Z_{hit}}{p}_{hit}(z_i|x_i,m,\mathbf{\Theta }) \\ =\prod _{z_i\in Z_{hit}}\frac{1}{\sqrt{2\pi {\sigma }_{hit}^2}}{e}^{-\frac{1}{2}\frac{(z_i-z_i^{\ast }{)}^2}{{\sigma }_{hit}^2}} \end{gathered}$$ \qquad 取对数(连乘变为连加)，求导，由极值的必要条件，对数函数单调递增性质得极大似然估计解：
$${\sigma }_{hit}=\sqrt{\frac{1}{|Z_{hit}|}\sum _{z_i\in Z_{hit}}(z_i-z_i^{\ast }{)}^2}$$ \qquad 求解参数${\lambda }_{short}$使用相同的方法，求解结果为：
$${\lambda }_{short}=\frac{|Z_{short}|}{{\sum }_{z_i\in Z_{short}}{z}_i}$$ \qquad 上述推导为假设参数$c_i$已知，现在延伸到$c_i$未知，使用$EM$算法求解，第一步计算$c_i$的期望值，第二步计算该期望值下的固有模型参数。将前文极大似然估计中：
$$\begin{gathered} logp(Z|X,m,\mathbf{\Theta })=\sum _{z_i\in Z}logp(z_i|x_i,m) \\ =\sum _{z_i\in Z_{hit}}log{p}_{hit}(z_i|x_i,m)+\sum _{z_i\in Z_{short}}log{p}_{short}(z_i|x_i,m)+\sum _{z_i\in Z_{max}}log{p}_{max}(z_i|x_i,m)+\sum _{z_i\in Z_{rand}}log{p}_{rand}(z_i|x_i,m) \end{gathered}$$ \qquad 改写为
$$logp(Z|X,m,\mathbf{\Theta })=\sum _{z_i\in Z}I(c_i=hit)log{p}_{hit}(z_i|x_i,m)+I(c_i=short)log{p}_{short}(z_i|x_i,m)+I(c_i=max)log{p}_{max}(z_i|x_i,m)+I(c_i=rand)log{p}_{rand}(z_i|x_i,m)$$ \qquad $z_i的取值范围变化！！！$求解期望值最大得：
$$E(logp(Z|X,m,\mathbf{\Theta }))=\sum _{z_i\in Z}{e}_{i,hit}log{p}_{hit}(z_i|x_i,m)+e_{i,short}log{p}_{short}(z_i|x_i,m)+e_{i,short}log{p}_{max}(z_i|x_i,m)+e_{i,rand}log{p}_{rand}(z_i|x_i,m)$$ \qquad 使用$EM$算法实现最大化，固定变量${\sigma }_{hit}$和${\lambda }_{short}$，计算变量$c_i$的期望。
$$\left(\begin{array}{c}{e}_{i,hit}\\ e_{i,short}\\ e_{i,max}\\ e_{i,rand}\end{array}\right)=\eta \left(\begin{array}{c}{p}_{hit}(z_i|x_i,m)\\ p_{short}(z_i|x_i,m)\\ p_{max}(z_i|x_i,m)\\ p_{rand}(z_i|x_i,m)\end{array}\right)$$其中$\eta =[p_{hit}(z_i|x_i,m)+p_{short}(z_i|x_i,m)+p_{max}(z_i|x_i,m)+p_{rand}(z_i|x_i,m){]}^{-1}$
$$\left(\begin{array}{c}{z}_{hit}\\ z_{short}\\ z_{max}\\ z_{rand}\end{array}\right)=|Z{|}^{-1}\sum _i\left(\begin{array}{c}{e}_{i,hit}\\ e_{i,short}\\ e_{i,max}\\ e_{i,rand}\end{array}\right)$$
$$\begin{gathered} {\sigma }_{hit}=\sqrt{\frac{1}{{\sum }_{z_i\in Z}{e}_{i,hit}}\sum _{z_i\in Z}{e}_{i,hit}(z_i-z_i^{\ast }{)}^2} \\ {\lambda }_{short}=\frac{{\sum }_{z_i\in Z}{e}_{i,short}}{{\sum }_{z_i\in Z}{e}_{i,short}{z}_i} \end{gathered}$$$给每个测量值z_i按照概率值在\eta (归一化系数)中的比例加权$。