amcl算法问题

amcl理解

前言

    首先这是我的第一篇博文，我希望以我的理解为每一个学习ROS的爱好者提供帮助，同时我也是作为一个初学者的身份，希望各路前辈能够驻足交流一下经验。如果有理解不当的地方希望指出。

正文

    AMCL(adaptive Monte Carlo Localization)自适应蒙特卡洛定位 ，源于MCL算法的一种升华，一种提高。那么为什么要从MCL上升至AMCL呢？

   那么我们谈谈MCL算法，蒙特卡洛定位适用于局部定位和全局定位两类问题，尽管它相对的年轻，但是已经成为定位领域中的主流算法。MCL以目前的形式解决了全局定位问题，但无法从机器人绑架或全局定位失败中恢复过来。当位置被获取时，其他地方的不正确粒子会逐渐消失。在某种程度上，粒子只能“生存”在一个单一的姿势附近，如果这个姿势恰好不正确，算法就无法恢复。.
    这个问题是非常重要的，实际上任何随机算法，就想蒙特卡洛算法，在重采样步骤中可能意外的丢弃所有正确位姿附近的粒子。当粒子数很小（M=50）。并且，当粒子扩散到整个比较大的体积（如全局定位过程）时，这个问题的重要性就能充分的显示。当然这个问题已经解决了，AMCL的提出正是对这个问题的一个解决方法。AMCL算法在机器人遭到绑架的时候，会随机的注入粒子（injection of random particles）。相对MCL算法，AMCL算法正是多了一个“A””
,那么这个"A"是什么？“”A“”是adaptive 自适应的缩写，但是个人觉得将"A"理解为Augmented（增加的）更为合适。
    理清了MCL和AMCL的区别，那么我们看一下AMCL具体是怎么执行的。请看下面个人做的PPT截图。（请仔细看ppt内容，有相对的知识可以剖析，文字不做过多介绍）



（1）MCL算法和AMCL算法的区别：

         AMCL算法增加了短期和长期的指数滤波器衰减率αslow，αfast，换句话说MCL中αslow，αfast为0，AMCL中的不为0。



（2）四个参数的含义



（3）Xt代表M个粒子的集合，第5行利用运动模型从旧粒子采样获取新位姿，第6行它的重要性权重依据测量模型设置。



（4）AMCL中最重要的地方就是随机采样概率。（看图说话）



（5）motion_model用的是《概率机器人》这本书第5章的sample_motion_model_velocity



（6）各个参数的作用、



（7）measurement_model用的是《概率机器人》这本书的第6章landmark_model_known_correspondece



（8）算法各部分作用，以及算法的输入输出

定位显示

    借用《Probablistic Robotics》书中一个例子，AMCL算法的全局定位的一个过程：





                                            白色小圆点代表：真实的机器人位置，红色圈圈代表离自己均值（请仔细对照图，分析过程，收获颇丰）

在进行第一次标记检测时，几乎所有粒子根据这个检测抽取，如图b所示。该步骤对应测量概率的短期平均小于测量概率的长期平均的情况。多次检测后，粒子紧紧环绕早真实的机器人周围，就像d所示，并且短期和长期测量似然平均都将增加。在这个定位阶段，机器人只是跟踪其位置，观察似然相当高，并且只偶尔增加小数量的随机粒子。

当将机器人放置在其他位置时，测量概率下降。在这个新的位置，第一次标记检测还没有触发任何附加粒子，因为平滑估计Wfast仍然很高（e），在新位置进行了几次标记检测后，Wfast比Wslow下降的快，并有更多的随机粒子被加进来（f、g）。最后机器人定位成功。

版权声明：本文为博主原创文章，未经博主允许不得转载。