sense & move

最新推荐文章于 2025-09-26 16:50:17 发布

原创最新推荐文章于 2025-09-26 16:50:17 发布 · 3.6k 阅读

0 ·

CC 4.0 BY-SA版权

我们不生产知识，我们只是互联网的搬运工

编程语言同时被 2 个专栏收录

240 篇文章

订阅专栏

控制论

44 篇文章

订阅专栏

博客源自优达学城，介绍机器人定位过程。该过程在“感知”与“移动”中交替，感知可增加信息量，而移动会减少信息量，增加不确定性。

from：优达学城 Artificial Intelligence for Robotics
在这里插入图片描述

p=[0.2, 0.2, 0.2, 0.2, 0.2] 
world=['green', 'red', 'red', 'green', 'green'] 

pHit = 0.6
pMiss = 0.2

pExact = 0.8
pOvershoot = 0.1
pUndershoot = 0.1

'''
当前观测为 Z 时估计当前位置的概率分布
'''
def sense(p, Z):
    q=[]
    for i in range(len(p)):
        hit = (Z == world[i])
        q.append(p[i] * (hit * pHit + (1-hit) * pMiss))
    s = sum(q)
    for i in range(len(q)):
        q[i] = q[i] / s
    return q

'''
运动后所在位置的概率分布
'''
def move(p, U):
    q = []
    for i in range(len(p)):
        s = pExact * p[(i-U) % len(p)]
        s = s + pOvershoot * p[(i-U-1) % len(p)]
        s = s + pUndershoot * p[(i-U+1) % len(p)]
        q.append(s)
    return q

'''
两次观测，两次移动
'''
measurements = ['red', 'red']
motions = [1,1] # 1 表示右移1格
for k in range(len(measurements)):
    p = sense(p, measurements[k])
    p = move(p, motions[k])  
print p

[0.07882352941176471, 0.07529411764705884, 0.22470588235294123, 0.4329411764705882, 0.18823529411764706]

机器人定位的过程在 “感知” 与 “移动” 中交替进行，感知增加信息量，移动减少信息量（增加了不确定性）
在这里插入图片描述