0. 基本数学：三个小工具
0. 基本数学：看懂 gmapping 只需要三个小工具
📚 本系列导航：1. SLAM是什么：盲人摸象与边走边画 → 2. 机器人眼中的世界：传感器与栅格地图 → 3. 粒子滤波：一千个分身猜位置 → 4. RBPF：把鸡蛋问题拆开 → 5. gmapping的两大改进 → 6. 源码走读：一帧激光的旅程 → 7. 实战：跑起来与调参 → 8. 从理解到实现：迷你gmapping → 9. 局限与进阶：gmapping之外的世界
别怕，这一篇只有三个概念：概率、条件概率、贝叶斯。全程用”出门要不要带伞”讲清楚，看完你就能读懂 gmapping 的所有公式。
一、概率 = 置信度（你有多相信一件事）
机器人不是全知的。它不知道自己在哪，只能”猜”–猜的过程，数学上用概率描述。
$$P(\text{下雨}) = 0.7$$
读法：”下雨这件事，我信七成。”
- 概率是 0~1 之间的数：0 = 完全不信，1 = 完全确定；
- 机器人对”我在哪”的答案从来不是一个点，而是一个分布（哪里都有可能，只是可能性不同）。
SLAM 的本质：用一切能拿到的东西（轮子转了多少、激光看到了什么），不断更新”我在哪”的概率分布。
二、条件概率：知道了新消息之后，改主意
$$P(\text{下雨} \mid \text{地面湿了}) = 0.9$$
中间的竖线 | 读作”已知“。整个式子读法：
“在已知地面湿了这个消息之后，我对下雨的置信度是 0.9。”
关键思想：新消息会改变置信度。 出门前你信下雨 0.7；拉开窗帘看到地面湿了，置信度涨到 0.9。
这就是 SLAM 每一帧都在做的事：
| SLAM 术语 | 对应含义 |
|---|---|
| $P(\text{位姿})$ | 没有任何信息时，机器人对”我在哪”的猜想 |
| $P(\text{位姿} \mid \text{里程计})$ | 知道轮子转了多少之后的猜想 |
| $P(\text{位姿} \mid \text{里程计}, \text{激光})$ | 又看到激光数据之后的猜想（更准了！） |
三、贝叶斯公式：改主意的数学方法
$$P(\text{下雨} \mid \text{地面湿}) = \frac{P(\text{地面湿} \mid \text{下雨}) \times P(\text{下雨})}{P(\text{地面湿})}$$
别急着背，拆开看它其实在说人话：
| 术语 | 人话 |
|---|---|
| $P(\text{下雨})$ | 先验：还没看地面之前，我本来就信七成（天气预报） |
| $P(\text{地面湿} \mid \text{下雨})$ | 似然：假如真下了雨，地面湿的可能性有多大？（很大，比如 0.95） |
| $P(\text{下雨} \mid \text{地面湿})$ | 后验：看到地面湿之后，我新的置信度 |
1 | flowchart LR |
一句话总结贝叶斯：新置信度 = 老置信度 × 新证据的打分。
gmapping 里每个粒子的”权重”，本质上就是给这个粒子的”打分”。
四、链式法则：把一个大难题拆成两个小难题（gmapping 的命根子）
概率里有个恒等式（乘法法则）：
$$P(A, B) = P(B \mid A) \times P(A)$$
翻译：“A 和 B 同时发生的概率” = “先有 A，再在 A 的基础上有 B”。
听起来是废话？看它怎么拯救 SLAM。SLAM 想要的东西是：
$$P(\text{轨迹}, \text{地图} \mid \text{所有传感器数据})$$
“既定位又建图”–两个未知量搅在一起，直接算算不动。用链式法则拆：
$$P(\text{轨迹}, \text{地图} \mid \text{数据}) = \underbrace{P(\text{轨迹} \mid \text{数据})}{\text{先解决定位}} \times \underbrace{P(\text{地图} \mid \text{轨迹}, \text{数据})}{\text{再解决建图}}$$
这一行拆解就是 gmapping 所属的 RBPF 方法的全部灵魂：
1 | flowchart TD |
（细节在系列第 4 篇展开，这里只需记住：乘法法则把”鸡生蛋”拆成了两个能依次回答的问题。）
五、自测清单
看完这篇，你应该能不假思索地回答：
-
P(A|B)的竖线怎么读？（”已知 B”） - 贝叶斯公式用人话说是？（老置信度 × 新证据打分）
- 为什么链式法则对 SLAM 重要？（把定位+建图拆开依次解决）