4. 占据栅格地图原理：栅格地图定义、概率更新模型、贝叶斯估计在栅格地图中的应用

好，咱们今天聊聊占据栅格地图。这玩意儿，说白了就是扫地机器人脑子里那张“世界地图”。你想想看，机器人又没长眼睛，它怎么知道前面是墙还是空地？靠的就是这张图。

我记得刚入行那会儿，有个项目用的是激光雷达，但地图建出来总是歪歪扭扭的。后来才发现，问题就出在栅格地图的概率更新上。嗯，这里面的门道，咱们一点点掰开揉碎了讲。

4.1 栅格地图的定义

什么叫栅格地图？很简单，就是把环境切成一个个小格子。每个格子代表一小块区域，比如 5cm × 5cm。每个格子存一个值，表示这个格子被障碍物占据的概率。

我个人习惯用 0 到 1 之间的数来表示：

• 0：绝对空闲（比如开阔地）
• 1：绝对占据（比如一堵墙）
• 0.5：完全未知（还没探测过）

你可能会问：“为啥不直接用 0 和 1 两个值？多简单。” 嗯，这里有个坑。传感器是有噪声的，你测一次说这里有障碍，测两次又说没有，那到底信谁？用概率就能把这种不确定性给量化出来。

4.2 概率更新模型

好，现在每个格子都有个初始概率，比如 0.5（未知）。机器人走一圈，传感器扫到某个格子，我们就要更新它的概率。

这里有个关键点：更新不是简单的加减法。你不能说“测到一次障碍就加 0.1，测到空闲就减 0.1”。为什么？因为概率论告诉我们，这样会出问题——概率会跑到 [0,1] 范围外面去。

实际工程中，我们用的是 对数几率（log-odds） 模型。公式长这样：

l_t = l_{t-1} + log( p(z|x) / (1 - p(z|x)) )

其中：

• l_t 是当前格子的对数几率值
• l_{t-1} 是上一次的值
• p(z|x) 是传感器模型——给定格子状态 x 时，测到观测值 z 的概率

最后，把对数几率转回概率：

p = 1 - 1 / (1 + exp(l))

我在项目中遇到过一个问题：传感器模型 p(z|x) 设得太乐观，导致地图上全是“鬼影”。后来我学乖了，给传感器模型加了个饱和值，比如最大对数几率不超过 10，最小不低于 -10。这样地图就干净多了。

4.3 贝叶斯估计在栅格地图中的应用

说到概率更新，就绕不开贝叶斯估计。说白了，贝叶斯就是“用新证据更新旧信念”的一套数学框架。

在栅格地图里，公式是这样的：

p(m_i | z_{1:t}, x_{1:t}) = 
  [ p(z_t | m_i) * p(m_i | z_{1:t-1}, x_{1:t-1}) ] / p(z_t | z_{1:t-1}, x_{1:t})

看着复杂？其实意思很简单：

• 先验：之前认为格子 m_i 是障碍的概率
• 似然：当前传感器观测 z_t 在格子 m_i 下的可能性
• 后验：更新后，格子 m_i 是障碍的概率

你想想看，这就像你判断一个人是不是程序员。先验概率可能是 50%（随便猜的）。然后你看到他穿格子衫（观测），似然很高——程序员穿格子衫的概率大。于是后验概率就提高了。再看到他秃头（又一个观测），后验概率继续涨。这就是贝叶斯更新。

我曾经踩过一个坑：在嵌入式平台上直接算浮点数的贝叶斯公式，结果 CPU 跑满了，电池掉电飞快。后来我把所有概率都转成 整数对数几率，用定点数运算，才把性能拉回来。

4.4 实际工程中的取舍

理论讲完了，咱们聊聊落地。在真正的扫地机器人上，栅格地图有几个现实问题：

1. 内存：一个 100m² 的房子，5cm 分辨率，就是 40,000 个格子。每个格子存一个 float（4 字节），就是 160KB。听起来不多？但你还得存好几层地图（比如障碍物、地毯、悬崖），再加上路径规划用的数据结构，内存很快就吃紧了。
2. 更新速度：激光雷达每秒转 10 圈，每圈 360 个点。每来一个点，就要更新对应的格子。如果算法写得不好，CPU 就炸了。
3. 动态障碍：家里有宠物、小孩、拖鞋。这些是移动的，不能永久写进地图里。

我个人的做法是：

• 用 8 位整数 存对数几率，而不是 float。这样每个格子只占 1 字节，内存省 4 倍。
• 对动态障碍，单独开一层“临时地图”，每 5 秒清空一次。只有连续出现 3 次以上的障碍，才写入永久地图。
• 更新时，只更新传感器射线穿过的格子，别全图遍历。这个优化能省 90% 的计算量。

好，这一章就到这儿。下一章咱们聊聊如何用这些格子做路径规划——让机器人知道“往哪儿走才能扫干净”。