GMapping与AMCL中的粒子滤波对比

GMapping和AMCL都是基于粒子滤波实现的，前者是一个SLAM过程，后者是一个Pure Localization过程，导致二者在具体实现有很大不同。

---

1. 粒子属性

• AMCL粒子仅包含pose+weight，因此需要较多的粒子，才能比较好的表示机器人位姿的估计（比如，max_samples: 1000, min_samples: 100）
• GMapping粒子包含轨迹+地图+weight，粒子数不能太多，否则占用内存过多

---

2. 粒子初始化

• GMapping的粒子的pose在刚初始时刻都是相同的
  GMapping中的粒子变得不同是通过运动模型上加的高斯噪声实现，gmaping是一个slam过程，不仅要定位还需要建图，所以将所有粒子的初始pose设置成同一个值，比如Identity
• 而AMCL中粒子初始化时，对给定pose加了高斯噪声
  AMCL的方法更符合初始撒粒子的逻辑

---

3. proposal分布

• AMCL使用里程计运动模型作为提议（proposal）分布
  提议分布特点：又扁又宽
• GMapping使用的是激光雷达观测模型作为提议（proposal）分布
  提议分布特点：proposal分布用scan match来表示，提议分布变成了一个比较小的尖峰区域

---

4. 粒子数

• GMapping的粒子数是固定的
• AMCL的粒子数根据KLD采样动态改变，初期粒子数逐渐增大到最大值，收敛之后，粒子数逐渐减少到最小值

---

5. 权重计算

• AMCL是通过似然域模型，计算给定pose的scan在似然域中的得分
• GMapping是通过scan to match计算

---

6. 输出

• AMCL输出的pose是所有粒子加权平均后的结果
• GMapping输出的是得分最高的粒子

---

@leatherwang

二零二一年三月二十五日

---