概述

蒙特卡罗本地化（MCL）算法来估计机器人的位置和方向。该算法使用环境，范围传感器数据，和测距传感器数据的一个公知的地图。要了解如何构造一个对象，并使用这种算法，见monteCarloLocalization.

本地化机器人中，MCL算法使用粒子滤波来估计其位置。颗粒代表可能的状态中的机械手的分布。每个粒子代表一个可能的机器人的状态。颗粒会聚围绕一个位置如在环境中的机器人移动并感测使用一系列传感器的环境的不同部分。机器人运动是利用测距传感器感测到。

粒子在这个过程中更新:

该算法输出估计姿态和协方差。这些估计的平均值和颗粒的最高加权集群的协方差。对于连续跟踪，在循环中重复传播颗粒这些步骤，评估其可能性，并获得最佳状态估计。

有关粒子过滤器的一般应用程序的更多信息，请参见粒子滤波工作流程.

状态表示

使用定位算法时，目标是估计系统的状态。对于机器人应用程序，这个估计状态通常是一个机器人姿态。为monteCarloLocalization对象，你指定这个姿态为一个三元素向量。这个姿势对应于X-Y位置，[X Y]和角取向，THETA.

在MCL算法基于对环境和系统的指定运动模式的传感器输入估计这三个值。从使用的输出monteCarloLocalization对象包括姿势，这是对状态的最好估计[X Y的2θ值。粒子以初始姿态分布，InitialPose，或使用全局本地化进行统一采样。位姿的计算方法是，一旦根据测量结果对最高权重的粒子群进行校正，该粒子群的平均位姿。

该图显示了最高的加权集群，最终机器人姿态显示了样品颗粒为绿色。与MCL算法和测量校正的多次迭代，所述颗粒收敛到机器人的真实位置。然而，它是可能的粒子簇可以有假的估计高的权重，并汇聚在错误的位置。如果出现了错误的衔接，由MCL算法更新重置重新采样粒子InitialPose.

粒子的初始化

当你第一次创建monteCarloLocalization算法，指定最小和最大的粒子限制使用ParticleLimits属性。较高数量的粒子增大了粒子收敛于实际位置的可能性。然而，较低的粒子数是更快。颗粒的数量动态地调整基于颗粒簇的权重的范围内。这种调整有利于减少粒子的数量随着时间的推移这样的定位可以更有效地运行。

制程= monteCarloLocalization;恢复期。GlobalLocalization = true;

重采样粒子和更新的姿态

为了持续定位你的机器人，你必须重新采样粒子并更新算法。使用UpdateThreshold和ResamplingInterval属性来重采样和更新的估计状态发生时控制。

该UpdateThreshold是定义在机器人姿态的最小变化的三元素向量，[X Y的2θ，触发更新。超过这个最小触发更新，使物体改变一个变量返回一个新的状态估计。在机器人姿态的这种变化是基于所述测距，这是在所述对象的功能形式指定。调这些阈值根据你的传感器性能和你的机器人的运动。随机噪声或比你的阈值的微小变化可能引发不必要的更新，并影响你的表现。该ResamplingInterval属性定义触发粒子重采样的更新次数。例如，一个重采样间隔2在重采样每隔更新。

重采样粒子的好处是，你更新有助于最终估计可能位置。重新取样重新分布按权重和演变粒子颗粒基础上，运动模型.在此过程中，具有较低重量的颗粒被消除，帮助颗粒收敛到机器人的真实状态。颗粒的数量动态地改变，以提高速度或跟踪。

该算法的性能取决于正确的重采样。如果颗粒被广泛地分散和机器人的初始姿态是未知的，则该算法维持高的颗粒数。作为对真实位置的算法收敛，它减少了粒子的数量，并且增加的性能的速度。你可以调整你的ParticleLimits属性来限制用于帮助性能的最小和最大颗粒。

运动与传感器模型

用于MCL算法的运动和传感器模型是类似于StateTransitionFcn和MeasurementLikelihoodFcn对于功能stateEstimatorPF中描述的对象粒子滤波参数.对于MCL算法，这些模型更适合于机器人定位。调用该对象后，要更改MotionModel要么SensorModel性质，必须先调用释放在你的对象。