概率机器人测距仪的似然域模型
概率机器人中的似然域模型缺乏一个合理的物理解释，它是一种“特设（ad hoc）”算法。不必计算相对于任何有意义的传感器物理生成模型的条件概率。这种方法在实践中运行效果良好。即使在混乱的空间，得到的后验也更光滑，同时计算更高效。 主要思想就是首先将传感器扫描的终点 $z_t$ , 映射到地图的全局坐标空间。然后，假定三种操作和不确定性的来源。最后再利用混合权值对三种分布进行综合，得到最后的置信度。这三个权值参数可以通过手动调节或者利用最大似然估计得到。
基本算法
$$
\begin{align}
\text{1: } \qquad \qquad & \text{Aligorithm } likelihood_filed_range_finder_model(z_t,x_t,m)\
\text{2: } \qquad \qquad & q = 1\
\text{3: } \qquad \qquad & \text{for all } k \text{ do}\
\text{4: } \qquad \qquad & \qquad if \quad z_t^k \neq z_{max}\
\text{5: } \qquad \qquad & \qquad \quad x_{z_t^k} = x + x_{k,sens} \cos{\theta} - y_{k,sens}\sin{\theta} + z_t^k \cos{(\theta + \theta_{k,sens})}\
\text{6: } \qquad \qquad & \qquad \quad y_{z_t^k} = y + y_{k,sens} \cos{\theta} + x_{k,sens}\sin{\theta} + z_t^k \sin{(\theta + \theta_{k,sens})}\
\text{7: } \qquad \qquad & \qquad \quad dis = \min{ { \sqrt{(x_{z_t^k} - x')^2 + (y_{z_t^k - y'})^2 }| occupied \quad in \quad m } }\
\text{8: } \qquad \qquad & \qquad \quad q = q \cdot (z_{hit} \cdot prob(dist,\sigma_{hit}) + \frac{z_{random}}{z_{max}})\
\text{9: } \qquad \qquad & \text{return } q
\end{align}
$$
扩展
似然域模型有三个主要缺点：
- 第一，它不能对人或可能引起短读数的其他动态清晰地建立模型。
- 第二，它在处理传感器时当作好像它们能“看穿墙”。这是因为射线投射操作由近邻函数来替代，这样就不能确定到一个点的路径是否被地图上的一个障碍物所拦截。
- 第三，这里的方法没有考虑地图的不确定性。
基本算法 likelihood_field_range_finder_model 可以被扩展来减弱这些局限的影响。
