如何理解马尔可夫局部化算法？

Question

在我的论文项目中，我需要实现蒙特卡罗定位算法(它基于马尔可夫局部化)。我只有一个月的时间来理解和实现这个算法。我了解概率论和Bayes定理的基本知识。现在我应该熟悉哪些主题来理解马尔可夫算法？我已经读了三到四次研究论文，但我还是没能理解所有的东西。

我试着做谷歌我不明白的任何术语，但我无法理解算法的本质。我想要系统地理解。我知道它是干什么的，但我不完全明白它是怎么做的，也不知道它为什么会这样做。

例如，在一篇研究论文中，人们认为马尔可夫算法可以用于全球室内定位系统，也可以用于多模态高斯分布。而卡尔曼滤波由于同样的原因不能被使用。我完全不明白。

第二个例子，马尔可夫算法假设地图是静态的，并考虑马尔可夫假设，其中度量是独立的，不依赖于先前的度量。但是，当环境是动态的(物体在运动)时，马尔可夫假设是不成立的，需要对马尔可夫算法进行修正，以融入动态环境。我不明白为什么？

如果有人指出我应该学会理解算法的哪些主题，那就太好了。请记住我只有一个月的时间。

Answer 1

粒子过滤器是您正在寻找的定位机器人。

要实现粒子滤波，需要了解基本概率(主要是Bayes定理)、二维高斯分布。

幻灯片，视频

看看这些课程录影带，它真的很好。

例如，在一篇研究论文中，人们认为马尔可夫算法可以用于全球室内定位系统，也可以用于多模态高斯分布。而卡尔曼滤波由于同样的原因不能被使用。我完全不明白。

卡尔曼滤波或扩展卡尔曼滤波用于单峰分布，而且初始估计必须是足够好的跟踪。

粒子滤波是多模态的，不需要一个初始猜测，而是需要更多的粒子(或样本)来收敛到一个更好的估计。

第二个例子，马尔可夫算法假设地图是静态的，并考虑马尔可夫假设，其中度量是独立的，不依赖于先前的度量。但是，当环境是动态的(物体在运动)时，马尔可夫假设是不成立的，需要对马尔可夫算法进行修正，以融入动态环境。我不明白为什么？

如果物体是人类，即使在动态环境中也不难定位(除非机器人完全被人类覆盖，机器人无法看到环境的任何部分)。一个简单的修改将是考虑与地图相一致的激光射线。下面的文章解释了这一点。

检查这张纸，动态环境下移动机器人的马尔可夫定位