bayes规则>夏普红外传感器的实际应用

Question

我有一个机器人使用红外和声纳传感器来测量距离。我建立了一个占用地图/网格。 到目前为止，我使用一个简单的基于整数的系统来“计算”一个小区被占用的概率。如果传感器命中，+1表示0和传感器读数-1之间的所有调用为-1。如果一个单元的数组中的数字高于阈值，则该单元被计为已占用，反之则为未占用。一切都在不确定之中。（有点复杂，但基于这个想法）

我现在想知道是否值得使用基于贝叶斯定理的解决方案（下面的第一个代码片段）。大多数人都是这样做的，答案很可能是肯定的：-）。在

在这个具体的例子中p1和p2是什么意思，比如说红外距离传感器？当解释这个定理时，我理解这些例子。但不知怎么的，我不能把它们转换成红外传感器的情况。（我的脑子有点卡住了） 我不知道应该放在那里的值是什么，如何估计，以及如何将它们应用于数组/映射。在

如果有人能开导我会很好的：-） 如果可能的话。在

下面也是我当前地图处理类。在

谢谢 罗伯特

Bayes函数——但是如何应用呢？在

def pos(p0, p1, p2):
    return (p0 * p1)/(p0 * p1 + (1-p0) * (1-p2))

def neg(p0, p1, p2):
    return (p0 * (1-p1))/(p0 * (1-p1) + (1-p0) * p2)

我当前的地图类：

^{pr2}$

Answer 1

在pos中：

• p0是物体存在的先验概率。这可能需要事先知道地图上物体的密度。在
• p1是给定目标存在时传感器命中的概率（低为真正值）
• p2是在没有目标的情况下，没有传感器命中的概率（真负数）

现在1 - p2因此是传感器命中的概率，如果目标不在那里（假阳性）。另外，1 - p0是没有物体存在的概率。如果我们把这些值插入Bayes规则，我们得到：

Pr(Object|Hit) = Pr(Hit|Object)Pr(Object) / ( Pr(Hit|Object)Pr(Object) + Pr(No Hit|Object)Pr(No Object)

= p1 * p0 / ( p1 * p0 + (1 - p2) * (1 - p0) )

这是您给出的pos()函数。在

注意：如果您事先不知道地图中对象的密度，可以使用p0 = 0.5，在这种情况下，方程式简化为：

^{pr2}$