參考資料:
1. cra-ros-pkg/robot_localization
2. ros的navigation之———amcl（localization）應用詳解
3. ROS中AMCL定位代碼解讀之Resampling
4. AMCL原理概述

• MCL(Monte Carlo localization) vs AMCL(adaptive Monte Carlo localization)
AMCL是MCL(蒙特卡洛定位)的一種升級版，使用自適應的KLD方法來更新粒子；
#而MCL使用的是粒子濾波的方法來進行定位的，
舉例：一個矩形裡面有個不規則形狀，怎麼計算不規則形狀的面積？不好算。但我們可以近似。拿一堆豆子，均勻的撒在矩形上，然後統計不規則形狀裡的豆子的個數和剩餘地方的豆子個數。矩形面積知道的呀，所以就通過估計得到了不規則形狀的面積。拿機器人定位來講，它處在地圖中的任何一個位置都有可能，這種情況我們怎麼表達一個位置的置信度呢？我們也使用粒子，哪裡的粒子多，就代表機器人在哪裡的可能性高
#而粒子濾波，
舉例：一開始在地圖空間很均勻的撒一把粒子，然後通過獲取機器人的motion來移動粒子，比如機器人向前移動了一米，所有的粒子也就向前移動一米，不管現在這個粒子的位置對不對。
使用每個粒子所處位置模擬一個傳感器信息跟觀察到的傳感器信息（一般是激光）作對比，從而賦給每個粒子一個概率。
之後根據生成的概率來重新生成粒子，概率越高的生成的概率越大。這樣的迭代之後，所有的粒子會慢慢地收斂到一起，機器人的確切位置也就被推算出來了。

• AMCL(adaptive Monte Carlo localization)原理與應用說明
#有用到的名詞之解釋

1. 機器人綁架
   舉例，機器人突然被抱走，放到了另外一個地方。
   #不是機器人自己移動
2. 自適應蒙特卡洛
   自適應體解決了:
   (i)機器人綁架問題，它會在發現粒子們的平均分數突然降低了（意味著正確的粒子在某次迭代中被拋棄了）的時候，在全局再重新的撒一些粒子。
   (ii)粒子數固定的問題，因為有時候當機器人定位差不多得到了的時候，比如這些粒子都集中在一塊了，還要維持這麼多的粒子沒必要，這個時候粒子數可以少一點了。
3. KLD採樣
   就是為了控制上述粒子數冗餘而設計的。比如在柵格地圖中，看粒子佔了多少柵格。占得多，說明粒子很分散，在每次迭代重採樣的時候，允許粒子數量的上限高一些。占得少，說明粒子都已經集中了，那就將上限設低，採樣到這個數就行了。

#神文推推
ros的navigation之———amcl（localization）应用详解

• Global Localization
RobotsTIAGoTutorialsNavigationLocalization

• Resampling(ROS定位包中關於粒子濾波器重採樣的代碼)
所謂重採樣就是粒子濾波器在測量更新後粒子的權重都發生了變化，而此時為了定位機器人的具體位置，需要將權重小的粒子去除，而保留大的粒子。
但是這一篩選步驟不能單純的刪除權重小的粒子，因為隨著機器人的移動，粒子集的聚合程度增高，對當前聚合位置的信度就越高，而此時如果發生機器人綁架問題或者粒子集聚集在一個錯誤的位置（比如在一個相對對稱的環境下），粒子集的信度會漸漸降低，因此粒子需要重新自我修正聚集的位置。
但是在普通的篩選模式下粒子集只會朝著錯誤的方向越走越遠，而不會自我修正。為了解決這一問題，ROS的代碼中引入了粒子注入，以及KLD-Resampling
Adapting the Sample Size in Particle Filters Through KLD-Sampling

• AMCL實作演練

1. AMCL是已經用gmapping做好圖，或是別人幫我們做好的圖，讓機器人或APP拿來定位用。
   來自 https://makerpro.cc/2018/11/the-world-of-ros-to-practice-of-turtlesim/

2. Big picture：
   gmapping是同時建圖 & 定位機器人，並且可以存圖
   amcl是當已經有地圖，定位機器人用，通常用在沒有跑slam時
   move_base是當已經有地圖、已經定位，進行導航用，給地圖、機器人位置、目標點
   來自 https://shannon112.blogspot.com/2018/03/ros-11-turtlebotgazebo-gmapping-amcl.html

3. ros-planning/navigation