【发布时间】：2016-12-03 19:51:50
【问题描述】：
如果给你：
机器人传感器检测到物体的概率分布，假设它位于位置 p(z|x)。
机器人在任何位置的先验概率
机器人传感器的实际观察
并要求根据观察结果更新概率分布，使用什么方法？
我不确定我是否应该使用贝叶斯滤波器、卡尔曼滤波器，或者我是否过度思考这个问题。
举个例子：
如果机器人可以沿着 1 到 7 的数字线移动，并且在 x=4 处进行站立投票。机器人可以判断民意调查是在其左侧、右侧还是在其前面（分别为 z=-1,1,0）。
p(z|x) x=1 x=2 x=3 x=4 x=5 x=6 x=7
z= -1 0 0 0 .25 .5 .5 .5
z = 0 ... (its an example so im leaving this off)
z = 1 ...
????(???? = 1) = 0.1; ????(???? = 2) = 0.2; ????(???? = 3) = 0.2; ????(???? = 4) = 0.2;
????(???? = 5) = 0.2; ????(???? = 6) = 0.1; ????(???? = 7) = 0.0
比机器人传感器输出 z=-1 。我会用什么方法来更新上表
【问题讨论】：
-
您的问题陈述基本上是对粒子过滤器的描述。 “机器人在任何位置的先验概率”是粒子。 “实际观察”加上“给定的概率分布......”就是您进行更新的方式。
标签： artificial-intelligence robotics kalman-filter bayesian-networks