Probabilistic Robotics 概率机器人课后习

作者: 肥猫有梦想 | 来源:发表于2022-04-20 10:34 被阅读0次

修正了原文的一些错误

第二章习题

1.

机器人使用一个可以测量 0～3m 距离的传感器。为了简化，假定真实的距离在这个范围中均匀分布。很不幸的是，传感器会坏掉。当传感器故障时，不管传感器的锥形测量范围内实际测距结果应该是多少，其输出测距值均小于 1m 已知对于传感器故障的先验概率是 $p= 0. 01$ 。

设想机器人查询了 N 次传感器，每次测量值都小于 1m 。对于 N=1, 2, …, 10 的传感器故障的后验概率是多少？用公式表示相关的概率模型。

答：传感器故障状态为X（良好 0 , 故障 1 ），

$P(X=0) = 0.99$

$P(X=1) = 0.01$

测量值为Z

$P(Z<1|X=1)=1; P(Z<1|X=0)=\frac{1}{3};$

传感器故障的后验概率为：

$P(X=1|Z<1) = \frac{P(Z<1|X=1) P(X=1) }{P(Z<1)} =\frac{P(Z<1|X=1) P(X=1) }{P(Z<1|X=0) P(X=0)+ P(Z<1|X=1) P(X=1)}$

传感器在每多接受一次小于1的测量值时，都更有可能故障了，需要更新传感器故障的后验概率，而不再是恒定的先验概率。

N=1时， $P(X_1=1|Z<1) = \frac{P(Z<1|X_0=1) P(X_0=1) }{P(Z<1)} =\frac{P(Z<1|X_0=1) P(X_0=1) }{P(Z<1|X_0=0) P(X_0=0)+ P(Z<1|X_0=1) P(X_0=1)}$

$= \frac{1\times 0.01}{1\times 0.01+\frac{1}{3} \times 0.99} =\frac{1}{34}$

更新传感器故障的概率 $P(X=0) = \frac{33}{34}, P(X=1) = \frac{1}{34}$

N=2时， $P(X_2=1|Z<1) = \frac{P(Z<1|X_1=1) P(X_1=1) }{P(Z<1)} =\frac{P(Z<1|X_1=1) P(X_1=1) }{P(Z<1|X_1=0) P(X_1=0)+ P(Z<1|X_1=1) P(X_1=1)}$

$= \frac{1 \times \frac{1}{34}}{1 \times \frac{1}{34} +\frac{1}{3} \times \frac{33}{34}} = \frac{1}{12}$

更新传感器故障的概率 $P(X=0) = \frac{11}{12}, P(X=1) = \frac{1}{12}$

...

$P(X_N=1|Z<1) = \frac{P(Z<1|X_{N-1}=1) P(X_{N-1}=1) }{P(Z<1)} =\frac{P(Z<1|X_{N-1}=1) P(X_{N-1}=1) }{P(Z<1|X_{N-1}=0) P(X_{N-1}=0)+ P(Z<1|X_{N-1}=1) P(X_{N-1}=1)}$

2.

设想住在一个白天天气为晴、多云或者雨的地方。天气转移函数是如下的转移表所示的马尔可夫链：

今天是\明天是	1晴	2多云	3雨
1晴	0.8	0.2	0
2多云	0.4	0.4	0.2
3雨	0.2	0.6	0.2

(a) 设第1天是晴 (Day1 = sunny)，接下来第 2 天是多云、第 3天是多云、第 4 天是雨天 (Day2 = cloudy、 Day3 = cloudy、 Day4 = rainy) 的概率是多少？

X=1,2,3(晴，多云，雨)

$P(X_1=1)=1,P(X_1=2)=0,P(X_1=3)=0$

$P(X_2=2)=P(X_2|X_1=1)P(X_1=1) =0.2$

全概率公式

$P(X_2=1)=0.8,P(X_2=2)=0.2,P(X_2=3)=0$

接下来一天晴的概率 = 晴转晴概率 * 前一天晴的概率 +多云转晴概率*前一天多云的概率+雨转晴的概率*前一天雨的概率

$P(X_3=1)=P(X_3=1|X_2=1) P(X_2=1)+P(X_3=1|X_2=2) P(X_2=2)+P(X_3=1|X_2=3) P(X_2=3)=0.8*0.8+0.4*0.2+0.2*0=0.72$

$P(X_3=2)=P(X_3=2|X_2=1) P(X_2=1)+P(X_3=2|X_2=2) P(X_2=2)+P(X_3=2|X_2=3) P(X_2=3)=0.2*0.8+0.4*0.2+0.6*0=0.24$

$P(X_3=3)=P(X_3=3|X_2=1) P(X_2=1)+P(X_3=3|X_2=2) P(X_2=2)+P(X_3=3|X_2=3) P(X_2=3)=0*0.8+0.2*0.2+0.2*0=0.04$

$P(X_3=1)=0.72,P(X_3=2)=0.24,P(X_3=3)=0.04$

$P(X_4=1)=P(X_4=1|X_3=1) P(X_3=1)+P(X_4=1|X_3=2) P(X_3=2)+P(X_4=1|X_3=3) P(X_3=3)=0.8*0.72+0.4*0.24+0.2*0.04=0.68$

$P(X_4=2)=P(X_4=2|X_3=1) P(X_3=1)+P(X_4=2|X_3=2) P(X_3=2)+P(X_4=2|X_3=3) P(X_3=3)=0.2*0.72+0.4*0.24+0.6*0.04=0.264$

$P(X_4=3)=P(X_4=3|X_3=1) P(X_3=1)+P(X_4=3|X_3=2) P(X_3=2)+P(X_4=3|X_3=3) P(X_3=3)=0*0.72+0.2*0.24+0.2*0.04=0.056$

(b) 根据这个状态转移函数写出一个能随机产生“天气”序列的仿真器。

初始值

$P(X_{yesterday}=1)=1 ,P(X_{yesterday}=2)=0 ,P(X_{yesterday}=3)=0 ,$

维护前一天三种天气情况的概率

$P(X_{yesterday}=1) ,P(X_{yesterday}=2) ,P(X_{yesterday}=3)$

利用全概率公式求今天三种天气情况的概率

$P(X_{today}=1)=P(X_{today}=1|X_{yesterday}=1) P(X_{yesterday}=1)+P(X_{today}=1|X_{yesterday}=2) P(X_{yesterday}=2)+P(X_{today}=1|X_{yesterday}=3) P(X_{yesterday}=3)$

$P(X_{today}=2)=P(X_{today}=2|X_{yesterday}=1) P(X_{yesterday}=1)+P(X_{today}=2|X_{yesterday}=2) P(X_{yesterday}=2)+P(X_{today}=2|X_{yesterday}=3) P(X_{yesterday}=3)$

$P(X_{today}=3)=P(X_{today}=3|X_{yesterday}=1) P(X_{yesterday}=1)+P(X_{today}=3|X_{yesterday}=2) P(X_{yesterday}=2)+P(X_{today}=3|X_{yesterday}=3) P(X_{yesterday}=3)$

迭代下去

$P(X_{yesterday}=1)=P(X_{today}=1)$

$P(X_{yesterday}=2)=P(X_{today}=2)$

$P(X_{yesterday}=3)=P(X_{today}=3)$

迭代到平稳分布

$P(X_{yesterday}=1)==P(X_{today}=1)$

$P(X_{yesterday}=2)==P(X_{today}=2)$

$P(X_{yesterday}=3)==P(X_{today}=3)$

这里我做了一个仿真，三个数字分别是每天晴天，多云和雨天的概率，可以看到10天之后基本上已经保持不变了

mujl07PFxZ.png

以上是个时齐马尔科夫链和状态转移矩阵 T

$P(X_i)=T P(X_{i-1})$

一直迭代下去，非周期的马尔科夫链的状态的概率不再变化。与初始值无关，

平稳分布 $lim_{n \to \infty} T_{ij}^n =\pi (j)$

$P(X)=T P(X)$

平稳分布是状态转移矩阵的特征向量

(d) 你能制定一个闭式方案来根据上面的状态转移矩阵计算平稳分布吗？

平稳分布是状态转移矩阵的特征向量 $P(X)=T P(X)$

(e) 平稳分布的墒是多少？

$H_p(x)=E[-log_2 p(x)] = -\Sigma_x p(x) log_2 p(x) = -\int p(x) log_2 p(x) dx$

(f) 利用贝叶斯准则，计算给定今天天气时昨天天气的概率表。提供数值概率即可，可以依赖本练习中前面间题的结果。

贝叶斯准则： $p(x|y) =\frac{p(y|x) p(x)}{p(y)} = \frac{p(y|x) p(x)}{\Sigma_{x'} p(y|x')p(x')dx' }$

$P(X_{yesterday}=1|X_{today} = 1) =\frac{P(X_{today}=1|X_{yesterday}=1) P(X_{yesterday}=1) }{P(X_{today} =1)} = \frac{P(X_{today}=1|X_{yesterday}=1) P(X_{yesterday}=1) }{P(X_{today} =1 |X_{yesterday} =1)+ P(X_{today} =1 |X_{yesterday} =2) +P(X_{today} =1 |X_{yesterday} =3)}$
这里分母少乘了个先验

(g) 假设将季节加入到该模型中。上面的状态转移函数仅能应用于夏天，而不同的模型将应用于冬天、春天和秋天。这会扰乱这个过程的马尔可夫特性吗？解释你的答案。

马尔科夫特性指已知当前状态情况下，过去事件与未来相互独立。这一时刻的状态只与上一时刻有关，与再之前时刻无关。

如果加入季节，只会影响状态转移矩阵，仍然保持马尔科夫性。

3.

假设不能直接观测天气，但是可以依靠传感器。间题是传感器本身是有噪声的。其测量受到下面的测量模型控制：

实际天气是\传感器观测到	晴	多云	雨
晴	0.6	0.4	0
多云	0.3	0.7	0
雨	0	0	1

(a) 设第 1 天是晴（这是一个已知事实），传感器观测到的接下来的 4 天为多云、多云、雨、晴，则第 5 天用传感器预测为晴的概率是多少？

(b) 再一次，假定已知第 1 天是晴。在第 2～4 天，传感器测量为晴、晴、雨。对第 2～4 天，当天最可能的天气是怎样的？用两种方式回答问题：一种是只有讨论那天的数据是可用的；另一种是基于后见之明的，未来几天的数据也是可用的。

4.

在这个练习中将把贝叶斯准则应用到高斯情况。假设是一个位于长直道路上的移动机器人。位置 x 将是简单地沿着这条路的某个位置。现在假设最初，认为位置 $x_{init} = 1000m$ ，但碰巧知道这个估计是不确定的。基于这种不确定性，用高斯建立方差为 $\sigma^2_{init} =900m^2$ 的初始置信度模型。