Wenn eine neue Sensormessung () vorliegt, so können diese Daten zur Verbesserung der bestimmten Position beitragen. Bei dem verwendeten Robotertyp können dies Sonar- oder Lasersensorwerte sein. Die Wahrscheinlichkeit, sich nun an einer bestimmten Stelle zu befinden, wird nun aufgeteilt in den Glauben, an der Stelle zum Zeitpunkt zu sein, und die Wahrscheinlichkeit, die Messung an dieser Stelle zu erhalten. Es gilt:
Dabei wird die Markov-Eigenschaft angewendet. Es wird angenommen, kein anderer Zustand als die Roboterposition selbst existiert. besitzt in diesem Zusammenhang keine Information zur Vorhersage von . In dynamischen Umgebungen wird diese Annahme verletzt, da zum Beispiel Personen die Sensoren über mehrere Zyklen abdecken können. In 4.2.3.4 wird eine mögliche Lösung dieses Problems vorgestellt.
Die Beobachtung
ist nicht vom aktuellen Zustand abhängig,
daher können wir schreiben. Diese Verteilung wird auch perzeptuelles
Modell genannt. Da die Sensormessungen Ungenauigkeiten enthalten können, wird
an dieser Stelle mit einem generischen Rauschmodell gearbeitet.
wird in zwei Schritten bestimmt: