4、贝叶斯更新基础：概率论回顾、贝叶斯公式、二值贝叶斯滤波、对数几率表示

各位同学，欢迎来到占用网格开发的核心理论课。说实话，很多做机器人感知的工程师，代码写得飞起，但一提到概率论就头疼。我当年也是这样，直到在项目中踩了坑，才老老实实回来补数学。今天这一讲，咱们就把贝叶斯更新这件事彻底聊透。

4.1 概率论快速回顾

先别急着翻书，咱们用大白话过一遍。概率论说白了就是研究「不确定性」的学问。你想想看，传感器读数准不准？障碍物到底在不在那个位置？这些都是不确定的。

几个关键概念，我建议你刻在脑子里：

• 先验概率 P(x)：在拿到任何观测数据之前，你对状态 x 的初始信念。比如，一个新地图，每个格子我习惯先设成 0.5，表示「完全未知」。
• 似然概率 P(z|x)：给定状态 x 下，观测到数据 z 的可能性。说白了就是「如果这里真有障碍物，传感器会看到什么」。
• 后验概率 P(x|z)：拿到观测 z 之后，更新对 x 的信念。这就是我们最终想要的东西。
• 全概率公式：P(z) = P(z|x)P(x) + P(z|¬x)P(¬x)，用来做归一化。

4.2 贝叶斯公式：从理论到直觉

贝叶斯公式长这样：

P(x|z) = P(z|x) * P(x) / P(z)

别被公式吓到。我换个说法你就懂了：后验 = 似然 × 先验 / 证据。

为什么会这样？你想想看：

• 先验 P(x) 是你之前的判断
• 似然 P(z|x) 是传感器模型告诉你的「如果假设成立，观测有多合理」
• 证据 P(z) 就是个归一化常数，保证概率加起来等于1

我在项目中遇到过一个问题：直接用贝叶斯公式更新，发现概率越算越极端，最后全变成0或1。后来才意识到，是传感器模型没校准好，似然概率给得太绝对了。

4.3 二值贝叶斯滤波：占用网格的数学引擎

占用网格里每个格子只有两种状态：占用（Occupied）或空闲（Free）。这就是典型的二值状态估计问题。二值贝叶斯滤波就是专门干这个的。

它的更新公式长这样：

P(occ | z) = P(z | occ) * P(occ) / P(z)
P(free | z) = P(z | free) * P(free) / P(z)

嗯，这里要注意：我们其实只需要更新 P(occ) 就够了，因为 P(free) = 1 - P(occ)。

但直接算概率有个麻烦——数值不稳定。尤其是当概率接近0或1时，浮点数精度会出问题。我曾经在嵌入式平台上调试，发现概率更新几轮后直接变成 NaN，查了半天才发现是数值下溢了。

4.4 对数几率表示：工程界的标准解法

为了解决数值问题，业界普遍采用对数几率（Log-Odds）表示。说白了就是把概率映射到整个实数轴上：

l(x) = log( P(x) / (1 - P(x)) )

反过来，从对数几率恢复概率：

P(x) = 1 / (1 + exp(-l(x)))

这样做的好处太明显了：

• 数值稳定：对数几率范围是 (-∞, +∞)，不会出现0或1的极端情况
• 更新变加法：贝叶斯更新在对数几率空间里就是简单的加法
• 计算高效：不用每次都做除法，加减法比乘除法快得多

更新公式在对数几率空间里简化为：

l_new = l_prior + l_measurement

其中 l_measurement 是传感器模型的逆对数几率。你想想看，原来要算乘除法，现在就是加一下，多清爽。

我个人习惯在代码里维护一个 float 类型的对数几率数组，只在可视化或决策时才转成概率。这样既省计算，又避免精度问题。

4.5 一个完整的更新示例

咱们用代码说话。假设一个格子当前占用概率是0.3，传感器模型给出：

// 当前概率 0.3，对应对数几率
float l_prior = log(0.3 / 0.7);  // ≈ -0.847

// 传感器模型：如果检测到障碍物，似然比 = 0.9/0.1 = 9
float l_measurement = log(9);     // ≈ 2.197

// 更新
float l_new = l_prior + l_measurement;  // ≈ 1.350

// 转回概率
float p_new = 1.0 / (1.0 + exp(-l_new));  // ≈ 0.794

你看，一次观测就把概率从0.3提升到了0.794。如果连续多次观测到障碍物，概率会逐渐趋近于1，但永远不会真的变成1——这就是对数几率表示的好处。

好了，这一讲的核心就这些。记住：贝叶斯更新是占用网格的灵魂，对数几率表示是工程实现的基石。下一讲我们会把这些理论真正落地到代码里，到时候你就知道今天学的有多重要了。