深入AMCL(二):2d激光雷达似然域测量模型

首先，概率滤波的思想目的是为求变量X的概率分布函数（一般情况下为条件概率分布） F(x)=P(ξX最优估计值U即指满足公式F(U)=Max。

1.卡尔曼滤波（EKF，UKF先不说）只考虑高斯噪声，线性模型，因此变量X的后验概率分布肯定也为高斯分布（高斯分布经过线性变换还是高斯分布，只是参数改变），因此只需要利用预测（先验）和量测（似然）更新后验概率的均值与方差，即可得出变量X的后验概率分布（且能证明样本均值即为无偏估计）。

2.粒子滤波还是为了求后验概率分布函数，不过因为模型非线性，又或噪声分布不服从高斯分布，那么求概率分布函数解析式太难，采用很多样本数据替代分布函数（大数定理，就是费处理速度），基本全部该变量X取值样本有了，最优估计均值也就能求得到了。

3.下面再简单说一下AMCL中的位姿粒子权值分配。先贴一张图（概率机器人P130）
3.1.似然域测量模型认为测量的结果包含一个高斯分布噪声和随机噪声；
3.2.激光测量距离（x,y）变换到map坐标系；
3.3.dist越大，则概率q越小（小概率事件发生一般认为不可靠），则变换矩阵（粒子）不可信；
3.4.把点云配对变成计算测量误差（也就是获取dist），并获取该误差发生的概率大小；

似然域测量模型比较理想，因此在场景有些变化，和动态人存在干扰的情况，估计的pose精度会下降。放大测量方差或许会有效果，最好要是能引入类似非线性优化中的核函数（损失函数）或许不错。

一些心得总结，写的比较散，感兴趣可以留言或者加微信（15112119047）讨论。

深入AMCL(一):AMCL中轮式里程计误差模型参数
深入AMCL(三):AMCL手动初始化后如何自动定位