2d激光重定位系列（一）AMCL：算法&源码&参数 相关资源整合

2d激光重定位目前常用的开源方案是amcl、cartographer、robot_location等，同时还有icp等scan-map match的方法。综合来说，amcl相对而言实际部署起来较为稳定，如果是cartographer、icp一类的scan-map match的方法某些情况下会发生跳变位姿很难快速自动修正回来。这篇博客会整理一些关于AMCL资源并写一下自己的看法，希望能和大家交流。
（2021/5/26，添加目前我在网上找到的各种关于amcl的干货，自己的开发遥遥无期～）

0、网上资源整合

1、“白夜行的狼”写的关于amcl原理和源码讲解https://haoqchen.site/2018/05/06/amcl-code/
2、ethan_guo写的原理性描述，感觉讲的挺形象，可以总体的有个认识https://blog.csdn.net/ethan_guo/article/details/81809054?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522161458539116780264036828%2522%252C%2522scm%2522%253A%252220140713.130102334…%2522%257D&request_id=161458539116780264036828&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2_allsobaiduend~default-3-81809054.pc_search_result_before_js&utm_term=amcl#commentBox
3、acml中odom的数据处理，有代码的解读和相关原理的解释，比较全面https://blog.csdn.net/qq_17032807/article/details/97650380?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&dist_request_id=eab63cc4-2160-4d18-bca2-537b9487cf1a&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control
4、偏重代码解读https://blog.csdn.net/shoufei403/article/details/102454304?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_title-8&spm=1001.2101.3001.4242
5、原理讲解，是个系列https://blog.csdn.net/qq_33742147/article/details/105489516
6、代码注释https://blog.csdn.net/gwplovekimi/article/details/112771428?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&dist_request_id=1328602.11393.16149236638602681&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control
7、私人博客，里面讲解的比较细致，强烈推荐https://gaoyichao.com/Xiaotu/?book=turtlebot&title=amcl%E7%9A%84%E6%80%BB%E4%BD%93%E4%B8%9A%E5%8A%A1%E9%80%BB%E8%BE%91

0、基本原理、数据订阅发布等基础内容

amcl在导航中扮演了机器人定位器的角色。它订阅了"/scan"和"/tf"来获取激光传感器的参数和里程计的坐标变换，通过主题"/map"获取环境地图。使用粒子滤波的方式进行机器人定位， 并通过主题"/amcl_pose"和"/particlecloud"发布对机器人位姿的估计以及粒子的位姿。