amcl 自适应蒙特卡罗方法

amcl

蒙特卡罗方法（Monte Carlo method)

基本思想——当所要求解的问题是某种事件出现的概率，或者是某个随机变量 的期望值时，它们可以通过某种“试验”的方法，得到这种事件出现的频率，或 者这个随机变数的平均值，并用它们作为问题的解。

粒子滤波：初始化、状态转移、计算权重、重采样

假设这是我们的飞机，我们有以下几个可 得到的信息： 
• 我们可以测量其相对于海面的海拔高度 
• 我们可以测量其到地面的距离 
• 我们有地图但是我们不知道我们在地图上的位置，现在我们使用粒子滤波去估算飞机的位置。

​ 1）初始化
产生200个位置假设。（采样）
黑色的点代表假设的位置，随机分布我们叫它们为粒子。

在这个时刻可得到的信息有：
• 已经测量了飞机到地面的距离（有一些不确定性）
• 我们有地图
• 我们知道我们现在飞得多高（一维问题）

​ 2）计算权重
依据它的海拔高度和到地面的距离，记录发现粒子的可能性，对于十分可能得假设，对这个粒子附一个较大的权重。

所有粒子都进行相同的评估：
可能性大的分配一个较大的权重，可能性小的分配较小的权重。
（图上用黑点大小代表权重）

​ 3）重采样
抛弃旧粒子生成200个新粒子，生成的200个新粒子集中出现在权重大的旧粒子位置上，并且有大量的新粒子叠加在同一个位置。
另外，因为所有的新粒子都是重采样得到，它们现在有相同的权重。

​ 4）状态转移
飞机继续前进，粒子也依据运动模型一起移动。
我们根据传感器知道飞机的方向和速度范围（波动值），用于粒子的移动。

重复上诉行为，当权重较为集中时，作为问题的解。

自适应蒙特卡洛定位

解决了两个问题：
1.粒子数固定的问题，当机器人定位基本完成的时候，比如这些粒子都集中在一块了，这个时候重采样的粒子数可以少一点。
2.机器人绑架的问题，当粒子的平均分数突然降低（意味着正确的粒子在某次迭代中被抛弃了），在全局再重新的撒一些粒子。

机器人定位三大问题：全局定位、位姿跟踪、绑架劫持
“绑架劫持”：是机器人在已知自身位姿的情况下，得到了一个错误的位姿信息或者外界将其放到另外一个位姿，而里程计信息给出了错误的信息。

AMCL功能包