我正在为我的机器人实施蒙特卡洛本地化，该机器人的映射及其起点和方向。我的方法如下：
- 在给定位置周围均匀地创建500个颗粒
- 然后在每个步骤中：
- 运动更新所有具有探测器的粒子（我当前的方法是newx = oldx odometryx（1 standardgaussianrandom）等） ）
- 使用声纳数据将重量分配给每个粒子（每个传感器概率是公式*= gaussianpdf（realeReading），其中高斯具有平均预测阅读）
- 以最大的概率作为位置返回粒子在此步骤
- 然后根据重量从旧粒子重采样9/10，并根据预测位置均匀地采样
现在，我为机器人的环境写了一个模拟器，这是该本地化的行为：http：//www.youtube.com/watch?v=q7q7q3cqkktwzi
我很害怕在更长的时间内，机器人可能会丢失。如果将粒子添加到更宽的区域，机器人会丢失更容易。
我希望表现更好。有建议吗？
最大的错误是，您假设重量最高的粒子是您的后状态。这与粒子过滤器的主要思想不同意。
您更新使用探针读数的粒子集是您的建议分布。通过考虑重量最高的粒子，您可以完全忽略此分布。如果您只是在整个状态空间中随机扩散粒子，然后将一个解释声纳数据解释最好的粒子，那将是相同的。您只依靠声纳读数，并且由于声纳数据非常嘈杂，您的估计非常糟糕。一种更好的方法是将重量分配给每个粒子，将重量归一化，将每个粒子状态乘以其重量，然后将它们汇总为以获得您的后状状态。
对于您的重新采样步骤，我建议在预测状态下删除您的提案分布，以删除围绕预测状态的随机样本。为了从失败中恢复，生成随机样本是合法的，但是这些样本应该分布在整个状态空间上，并且明确地不是围绕当前的预测。