意大利泡面

摘要： 从定位错误中恢复：添加随机粒子 普通MCL虽然一定程度上解决了全局定位和连续定位问题，但是在“机器人劫持（kidnapping）”或者全局定位错误时没有恢复的能力。实际上，任何向MCL这样的随机算法都可能在重采样时丢弃所有的正确位姿附近的粒子，这个问题在粒子数量较少或者粒子较为分散是更加容易发生。 阅读全文

摘要： KL-Divergence-Sampling，简称KLD-Sampling，是AMCL中采用的一种动态调整粒子数量的方法。这个问题在面试时多次被问到，因此有必要深入学习一下。 KLD-Sampling的核心是不断添加粒子，直到粒子数量满足一个动态变化的上界。这个上界由我们期待以多大的概率（1-del 阅读全文