ROS解读13.学习Amcl定位算法.docx

ROS解读13.学习Amcl定位算法.docx


第十三课 Amcl 定位算法学习
1． 关于 Amcl
Amcl 的英文全称是 adaptive Monte Carlo localization
，其实就是蒙特卡洛定
位方法的一种升级版，使用自适应的
KLD方法来更新粒子，
而 mcl 〔蒙特卡洛定位〕
算法使用的是粒子滤波的方法来进行定位的。而粒子滤波很浅易的说就是一开始在地
图空间很平均的撒一把粒子，尔后经过获取机器人的
motion 来搬动粒子，比方机器人
向前搬动了一米，所有的粒子也就向前搬动一米，无论现在这个粒子的地址对不对。
使用每个粒子所处地址模拟一个传感器信息跟观察到的传感器信息〔一般是激光〕作
对照，从而赋给每个粒子一个概率。此后依照生成的概率来重新生成粒子，概率越高
的生成的概率越大。这样的迭代此后，所有的粒子会慢慢地收敛到一起，机器人确实
切地址也就被计算出来了。
Amcl 算法步骤以下：
中的 Amcl
1>. 订阅的主题
scan (sensor_msgs/LaserScan)
激光雷达宣布的 /scan 话题。
tf (tf/tfMessage)
各个坐标系的 tf 变换 。
initialpose (geometry_msgs/PoseWithCovarianceStamped)
初始地址给定，假设没有初始地址时， map->base_footprint= 〔 0〕。
map (nav_msgs/OccupancyGrid)
宣布的地图话题，在实验过程中我们会用 map_server 加载地图到 ROS空间。
2>. 宣布的主题
amcl_pose (geometry_msgs/PoseWithCovarianceStamped)
宣布 amcl 定位后机器人在地图中的位姿〔 map->base_footprint 〕。
particlecloud (geometry_msgs/PoseArray)
宣布 amcl 的粒子位姿。
tf (tf/tfMessage)
宣布 map->base_footprint 之间的 tf 变换。
3. Amcl 参数说明
<param name="min_particles"
value ="500"/>
//
赞同的粒子数量的最小值，默认
100
<param name="max_particles"
value ="5000"/>
//
赞同的例子数量的最大值，默认
5000
1



<param name="kld_err"
value =""/>
//
真实分布和估计分布之间的最大误差，默认
<param na