纯定位算法 定位问题概述 已知地图 传感器观测 估计机器人位姿 贝叶斯估计、最大后验 位姿 或 全局定位 vs 追踪定位 vs 重定位 全局：无先验；追踪：有初始位姿 kidnapped robot 问题 误差来源：传感器噪声、轮滑、环境变化 里程计漂移、动态障碍物 多径、遮挡对激光/视觉影响 贝叶斯滤波框架 先验 预测 观测更新 状态转移模型 观测模型 递推：belief_k dx EKF 定位 高斯假设：状态 线性化：Jacobian 预测：μ̄ 更新：K 适合小姿态误差、连续运行的里程计融合 粒子滤波 AMCL 使用粒子集合表示位姿分布 粒子数与计算量权衡 权重与有效粒子数 重要性采样 重采样 系统重采样、残差重采样 粒子退化与多样性 AMCL：基于激光 地图的自适应蒙特卡洛定位 KLD 采样、自适应粒子数 nav2 中的 amcl 节点 支持全局定位、kidnapped robot 重定位 随机粒子注入 多假设跟踪 多传感器融合 轮速计 IMU 激光 视觉 紧耦合 vs 松耦合 时间同步：时间戳、外参标定 在 ROS2 中结合 自写滤波器 工程实践要点 地图分辨率、传感器模型调参 似然模型、beam model 地图与激光分辨率匹配 收敛时间与粒子数量 初始分布与收敛速度 处理地图误差与环境变化 动态物体、地图更新 多地图、场景切换 调试工具：RViz、bag 回放、可视化轨迹 粒子云、位姿箭头 ros2 bag play