看了很多資料，講amcl用法的很多，原理和概念能說清的很少，大都是一帶而過稀裏糊塗。這裏，先把概念區分開來，後面將對原理進行講解。
1,粒子濾波和蒙特卡洛
蒙特卡洛：是一種思想或方法。舉例：一個矩形裏面有個不規則形狀，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裏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，哪裏的粒子多，就代表機器人在哪裏的可能性高。
粒子濾波：粒子數代表某個東西的可能性高低。通過某種評價方法（評價這個東西的可能性），改變粒子的分佈情況。比如在機器人定位中，某個粒子A，我覺得這個粒子在這個座標（比如這個座標就屬於之前說的“這個東西”）的可能性很高，那麼我給他打高分。下次重新安排所有的粒子的位置的時候，就在這個位置附近多安排一些。這樣多來幾輪，粒子就都集中到可能性高的位置去了。
2,重要性採樣
就像轉盤抽獎一樣，原本分數高（我們給它打分）的粒子，它在轉盤上對應的面積就大。原本有100個粒子，那下次我就轉100次，轉到什麼就取個對應的粒子。這樣多重複幾次，仍然是100個粒子，但是分數高的粒子越來越多了，它們代表的東西（比如位姿）幾乎是一樣的。
3,機器人綁架
舉例，機器人突然被抱走，放到了另外一個地方。類似這種情況。
4,自適應蒙特卡洛
自適應體現在：1解決了機器人綁架問題，它會在發現粒子們的平均分數突然降低了（意味着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。
2解決了粒子數固定的問題，因爲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。
5,KLD採樣
就是爲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。佔得多，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。佔得少，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。
原文：https://blog.csdn.net/ethan_guo/article/details/81809054