机器人学习--基于3D激光雷达数据的MCL全局定位

论文作者：Xieyuanli Chen, 陈谢沅澧，  导师德国弗雷堡大学的移动机器人大牛 Cyrill Stachniss

第一种方法： Range-MCL

大概方法：作者将3Dlidar扫描的360度距离信息 转变成 range image，然后通过图像特征比对，当前的3D数据 和数据库中的range 图像作比较。

数据库中的range image 貌似是作者用算法 GPU和 OpenGL 生成的 合成图像。

其实传感器数据表达合适之后，剩下的就是观测模型，经典粒子滤波或者贝叶斯滤波中的观测模型表达的问题。

论文：[2105.12121] Range Image-based LiDAR Localization for Autonomous Vehicles (arxiv.org)https://arxiv.org/abs/2105.12121

B站上有作者本人的介绍视频：最新开源！用于自动驾驶汽车的激光雷达全局定位算法！_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1SB4y1T7nT?from=search&seid=14453388174292834145&spm_id_from=333.337.0.0

第二种方法：OverlapNet

B站上有作者本人的介绍视频：

终于开源！基于Overlap的激光雷达全局定位算法！_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV12K4y1f7Wk/?spm_id_from=333.788.recommend_more_video.-1代码开源地址： https://github.com/PRBonn/overlap_localization 使用了OverlapNet作为蒙特卡洛定位算法（MCL）的观测模型，实现了基于激光雷达传感器的高精度全局定位。目前MCL最大的难题就是如何去设计一个好的观测模型。文章的创新点是利用OverlapNet来训练了一个观测模

两篇文章的重心都是在观测模型上，可以根据粒子滤波或者mcl方法定位的理论 仔细查看。

第三种方法：查看作者的论文，参考文献中还有其他很多种别的方法。