《概率机器人》读书笔记-第六章-机器人感知模型：波束、似然场与地标

xa_lanyve

46人浏览 · 2026-11-03 19:00:00

xa_lanyve · 2026-11-03 19:00:00 发布

运动模型解决了"机器人怎么动"，观测模型则回答另一半问题：给定机器人位姿，传感器读数服从什么分布？它决定测量更新的质量，直接影响定位精度与鲁棒性，值得关注。本文围绕测距仪与地标两类传感器，拆解波束模型、似然场模型与地标模型的构造思路、优缺点与选型建议，帮你为定位与 SLAM 系统选好测量更新模块。

前置知识：第二、三、四章的测量更新；第五章运动模型。
后续衔接：第 7 章马尔可夫定位直接调用本文的观测模型。

核心知识点

6.1 观测模型的角色

观测模型回答：给定机器人在状态 $x_t$ ，传感器读数 $z_t$ 的概率分布是什么？

$p(zt∣xt)或含地图时p(zt∣xt,m)p(z_t \mid x_t) \quad\text{或含地图时}\quad p(z_t \mid x_t, m)$

第二、三章的测量更新都用它作为似然。本文的任务，就是为不同传感器分别构造这个分布。

6.2 测距仪（激光/声呐）波束模型

激光/声呐返回一个或一束距离值 $z_t = z$ 。波束模型把一次测量分解为四种物理过程的混合高斯：

成分	含义	分布
$phitp_{\text{hit}}$	正确打到障碍物	$zt∗,σhit2)\mathcal{N}(z;\,z_t^*, \sigma_{\text{hit}}^2)$ ，截断在 $0,z_{\max}]$
$pshortp_{\text{short}}$	提前反射（人/玻璃）	指数分布，截断在 $0,z_t^*]$
$pmaxp_{\text{max}}$	未检测到障碍物（无回波）	在 $z_{\max}$ 处的点分布
$prandp_{\text{rand}}$	完全随机噪声	$0,z_{\max}]$ 均匀

其中 $z_t^*$ 是从位姿 $x_t$ 与地图 $m$ 通过光线投射得到的预期距离。

$pi(z∣xt,m),∑iwi=1p(z\mid x_t,m) = \sum_i w_i\, p_i(z\mid x_t,m),\qquad \sum_i w_i = 1$

直觉：每条激光回波可能来自正确反射、意外遮挡、丢失或随机噪声，用四个权重混合表达这种不确定性。权重 $w_i$ 反映各情况的发生比例。

优点与缺点

优点：物理含义清晰，能处理反射、丢失等异常。
缺点：需做光线投射（计算昂贵），且对地图栅格分辨率敏感；平滑性差（ $z$ 微小变化导致 $p$ 跳变）。

6.3 测距仪似然场模型

干脆放弃物理建模，直接对地图中已知的障碍物表面构造一个平滑的距离场：

把地图中每个被占据的栅格（或表面点）作为潜在"目标"。
对激光端点 $z$ 在地图中找到最近的障碍点 $d$ 。
假设端点噪声服从以最近障碍为中心的高斯：

$项)p(z\mid x_t,m) \propto \exp\!\left(-\frac{d(z;\,x_t,m)^2}{2\sigma^2}\right) + \text{(加少量 }\text{short/max/rand}\text{ 项)}$

直觉：不追踪整条激光射线，只看端点落在地图障碍物附近的程度——计算快、概率面平滑，对地图缺陷更鲁棒。

优点与缺点

优点：无需光线投射，速度快；梯度平滑利于优化。
缺点：丢失了"激光被中途物体遮挡"的信息，可能在透明玻璃等场景过度自信。

6.4 地标传感器模型

视觉/激光识别出带标志的地标（如路标、ArUco 标记）。观测 $z_t$ 通常包含地标相对机器人的距离 $r$ 与方位 $ϕ\phi$ ：

$zt=(rt,ϕt)⊤z_t = (r_t, \phi_t)^\top$

设地图中第 $k$ 个地标位置 $m_k$ ，机器人在位姿 $xt=(x,y,θ)x_t=(x,y,\theta)$ 下对其几何关系为

$mk,x−x)−θr_t^* = \sqrt{(m_{k,x}-x)^2+(m_{k,y}-y)^2},\qquad \phi_t^* = \mathrm{atan2}(m_{k,y}-y,\,m_{k,x}-x)-\theta$

加零均值高斯噪声：

$ϕt∗,σϕ2)p(z_t\mid x_t,m_k) = \mathcal{N}(r_t;\,r_t^*,\sigma_r^2)\,\mathcal{N}(\phi_t;\,\phi_t^*,\sigma_\phi^2)$

直觉：地标模型是 EKF-SLAM、第 7 章地标定位的标准观测模型；噪声小、识别可靠时，少量地标就能提供强约束。

数据关联问题

观测必须先回答"这是第几个地标？"——数据关联（data association）。错误关联会污染滤波器。常用策略：最近邻匹配、联合兼容分支定界（JCBB）、概率数据关联。

6.5 模型选型建议

场景与模型如何匹配？直接看表：

场景	推荐模型
精确栅格地图 + 实时定位	似然场模型
物理仿真 / 需要处理丢失反射	波束模型
稀疏已知地标（室内、仓储）	地标模型
粗糙地图 / 真实室外场景	似然场 + 适当随机项

延伸思考

传感器噪声过小/过大：低估噪声会让滤波器过度自信、易发散；高估会拖慢收敛。需要按真实标定。
地图与观测不匹配：建图误差、动态环境会让观测模型概率偏低。鲁棒做法是在所有模型中加入 $prandp_{\text{rand}}$ 项以"吸收"未建模异常。
激光波束数与计算成本：多线激光需对每条射线独立评估 $p$ ，是 MCL 主要计算瓶颈。降采样或空间索引（KD-tree）是常用优化。
深度学习的兴起：现代 SLAM/定位常用神经网络学习观测似然（如学习激光/视觉里程计的特征匹配概率），但本文的解析模型仍是经典基线与理论支撑。

写在最后

回顾核心观点：观测模型 $p(z_t|x_t,m)$ 是测量更新的似然来源。波束模型用四成分混合刻画激光物理，精度高但计算重；似然场模型以端点高斯距离换取速度与平滑，工程最常用；地标模型适合已知地标场景，需配套数据关联。选对模型并合理设定噪声，是 EKF 收敛与 MCL 粒子赋权质量的保证。这些解析模型与深度学习方法互补共存，仍是定位与 SLAM 工程落地的坚实底座。