理论测量模型是不考虑杂波的，其测量值用 O k O_k Ok表示；而实际测量模型是考虑杂波的，其测量值用 Z k Z_k Zk表示，其中 Z k Z_k Zk= ( O k , C k ) (O_k,C_k) (Ok,Ck)，这里的 C k C_k Ck表示的是杂波。很显然，这里主要是把传感器实际测得数据 Z k Z_k Zk拆分成了两部分分别建模以方便后续的处理。现在学习理论测量模型 O k O_k Ok所对应的概率 P ( O k ∣ X k ) P(O_k|X_k) P(Ok∣Xk)的推导和计算。
理论测量模型主要分为两部分：
1.判断是否检测到了物体，检测到的概率是
P
D
(
X
k
)
P^D(X_k)
PD(Xk)。—— 这个在前面讲解贝叶斯滤波的时候显然没有考虑，贝叶斯滤波那边默认的是传感器总是能够检测到物体的，然而实际上会存在传感器漏检的情况。这里就是把漏检的情况考虑进去了。
2.确定能够检测到物体后，判断此次测量值的概率分布即
g
k
(
O
k
∣
X
k
)
g_k(O_k|X_k)
gk(Ok∣Xk).
然后得到理论测量模型的概率分布：
P
(
o
k
∣
x
k
)
=
{
1
−
P
D
(
x
k
)
o
k
=
n
o
n
e
P
D
(
x
k
)
g
k
(
o
k
∣
x
k
)
o
k
=
O
k
P(o_k|x_k)=\left\{\begin{matrix} 1-P^D(x_k)&o_k=none\\ P^D(x_k)g_k(o_k|x_k)& o_k=O_k \end{matrix}\right.
P(ok∣xk)={1−PD(xk)PD(xk)gk(ok∣xk)ok=noneok=Ok
如果你能很好的理解这个公式，那么就不必看下面的了。接来来主要是对这个公式的详细说明和解释：
首先是提出几个问题：
1.
g
k
(
o
k
∣
x
k
)
g_k(o_k|x_k)
gk(ok∣xk)的具体含义是什么？是否隐含有“保证已检测到”这个前提？
2.
P
(
o
k
∣
x
k
)
P(o_k|x_k)
P(ok∣xk)与
g
k
(
o
k
∣
x
k
)
g_k(o_k|x_k)
gk(ok∣xk)、
P
D
(
X
k
)
P^D(X_k)
PD(Xk)的关系如何用事件来进行更清楚的分析？
3.
P
(
o
k
∣
x
k
)
P(o_k|x_k)
P(ok∣xk)的全区间上的无穷积分的值是否为1？
按照这个公式我们是这样理解的（以相机为例）：在每次不含杂波的观测中，我们是分两步进行的，首先是判断这次相机是否能够检测到物体，如果没有检测到物体就相当于没有“可用光线”进入相机，那么相机后续发生的也就不用管了，此次检测的概率就是
1
−
P
D
(
x
k
)
1-P^D(x_k)
1−PD(xk)即失败概率。如果这次相机检测到物体了即有“可用光线”进入相机，那么接下来这些“可用光线”会在相机内部产生反应从而产生测量值
o
k
o_k
ok,至于这个测量值
o
k
o_k
ok到底和真实值
x
k
x_k
xk相差多少、方差是多少等，显然是要用相应的概率分布来描述了：
g
k
(
o
k
∣
x
k
)
g_k(o_k|x_k)
gk(ok∣xk)表示的就是测量值
o
k
o_k
ok和真值
x
k
x_k
xk之间的关系，反映出相机内部的测量精度。比如说，我们最常用的正态分布，有时为了简化模型，我们可以认为
g
k
(
o
k
∣
x
k
)
g_k(o_k|x_k)
gk(ok∣xk)符合的就是正态分布，其中自变量是
o
k
o_k
ok，参照量是
x
k
x_k
xk.
按这样解释的话，似乎说的过去——不过就是一个分成两步进行的事件罢了：先分情况讨论，再在每个情况下逐个计算每一步的概率，然后把每一步的概率相乘就得到了这个情况下的最终概率。这样依次计算每种情况下的概率值。
如果是这样的话，那么在没有检测到物体时即没有“可用光线”时：第一步的概率是
1
−
P
D
(
x
k
)
1-P^D(x_k)
1−PD(xk)，那么第二步的概率不应该是0吗？？
如果按照所谓的“可用光线”的说法，那么
g
k
(
o
k
∣
x
k
)
g_k(o_k|x_k)
gk(ok∣xk)中是否隐含有“保证已经检测到物体”这个前提呢？
g
k
(
o
k
)
g_k(o_k)
gk(ok)表示什么？表示测量值是
o
k
o_k
ok的概率——在能够检测到物体的前提下，测量值是
o
k
o_k
ok的概率——这样说似乎不违和。另一种说法：不管你这次有没有检测到物体（没检测到就把
o
k
o_k
ok赋为none），你能够使测量值为
o
k
o_k
ok的概率——这里把未检测到的情况强行“数值化为none”以方便表示，但是实际上none和其他正常测到的值是具备不同性质的，还是要分成两种情况来说明和表示的。之所以有这两种说法，在于建立传感器的理论测量模型时的不同——有的认为含有这个前提，有的认为不含有，这样一来，两个模型实际上是有所不同的。
如果含有这个前提：
g
k
(
o
k
∣
x
k
)
g_k(o_k|x_k)
gk(ok∣xk)：在保证能够检测到物体的前提下（恰好承接第一步的是否检测到物体），给定
x
k
x_k
xk而传感器测出的是
o
k
o_k
ok的概率，或者说有多大概率会测成
o
k
o_k
ok。
如果不含有这个前提：
g
k
(
o
k
∣
x
k
)
g_k(o_k|x_k)
gk(ok∣xk)：不管这次能不能测得到物体（把没有测到的情况也考虑进去），给定
x
k
x_k
xk而传感器测出的是
o
k
o_k
ok的概率，或者说有多大概率会测成
o
k
o_k
ok。显然这时多了一个“没测到”的情况。
假设用含有这个前提进行建模，用事件来分析他们之间的关系：
事件A：检测到物体即对应
P
D
(
x
k
)
P^D(x_k)
PD(xk)
事件B：能检测到的前提下，给定
x
k
x_k
xk而传感器测出的是
o
k
o_k
ok即对应
g
k
(
o
k
∣
x
k
)
g_k(o_k|x_k)
gk(ok∣xk)
事件C：毫无前提时给定
x
k
x_k
xk而传感器测出的是
o
k
o_k
ok即
P
(
o
k
∣
x
k
)
P(o_k|x_k)
P(ok∣xk)
则
P
(
B
)
=
P
(
C
∣
A
)
P(B)=P(C|A)
P(B)=P(C∣A)
再根据贝叶斯公式可得
P
(
B
)
=
P
(
C
∣
A
)
=
P
(
A
∣
C
)
P
(
C
)
P
(
A
)
P(B)=P(C|A)=\frac{P(A|C)P(C)}{P(A)}
P(B)=P(C∣A)=P(A)P(A∣C)P(C)
则
P
(
C
)
=
P
(
B
)
P
(
A
)
P
(
A
∣
C
)
P(C)=\frac{P(B)P(A)}{P(A|C)}
P(C)=P(A∣C)P(B)P(A)
即
P
(
o
k
∣
x
k
)
=
g
k
(
o
k
∣
x
k
)
P
D
(
x
k
)
P
(
A
∣
C
)
P(o_k|x_k)=\frac{g_k(o_k|x_k)P^D(x_k)}{P(A|C)}
P(ok∣xk)=P(A∣C)gk(ok∣xk)PD(xk)
但这个
P
(
A
∣
C
)
P(A|C)
P(A∣C)是什么情况？是个常数吗？而且这就求出了
P
(
o
k
∣
x
k
)
P(o_k|x_k)
P(ok∣xk)，可这里只有一种情况就求出来了即只有一个表达式，不是开头写的分两种情况啊？？？
对于理论测量模型的梳理先到这里，还是存在许多疑问，后面再继续思考和学习。需要复习古典概型那些知识。
1449
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
