slam学习：KF slam vs PFslam

1、卡尔曼滤波（kalman Filter,KF）/扩展卡尔曼滤波(Extended Kalman Filter,EKF)的slam最大的优点，能够在线地估计地图中所有元素的后验概率。该方法通常采用特 征地 图表示机器人和环境中所有特 征的位 置 , 并通 过协方差阵维护系统 中的全部不确定性，KF/EKF最大缺陷是无法处理相关性 问题 , 即数据关联问题 。严重情况下 数据关联的不准确将导致slam算法发散

2 针对EKF不适合多模态分布的实际问题，Montemerlo提出一种基于粒子滤波器（particle Filter，PF）的FastSLAM。粒子滤波
将器中的每个粒子代表机器人的一条可能运动路径 , 利用观测信息计算每个粒子的权重 , 以评价每条路径的好坏 。 对于每个粒子来说 , 机器人的运动路径是确定的 ,因此路标 的观测信息相互独立 , 只与机器人的位置有关 。与基于EKF方法相 比 ,fastslam计算复杂度较低 , 同时可以更好地表示机器人 的非线性 、
非高斯运动模型 。