1.7.AMCL包源码分析 | 粒子滤波器模型与pf文件夹(三)
2.UE4-Slate源码学习（四）FSceneViewport
3.GridSample算子源码解析
4.5.AMCL包源码分析 | 粒子滤波器模型与pf文件夹(一)

7.AMCL包源码分析 | 粒子滤波器模型与pf文件夹(三)

       在上一讲中，源码我们深入探讨了pf.cpp文件，源码它将Augmented-MCL算法和KLD-sampling算法融合使用。源码重点在于pf_pdf_gaussian_sample(pdf)函数、源码pf_init_model_fn_t初始化模型以及pf->random_pose_fn方法进行粒子初始化。源码粒子的源码3c源码网插入和存储采用kd树数据结构，同时kd树也表达直方图的源码k个bins，通过叶子节点数展现。源码

       本讲聚焦kd树在粒子滤波器模型中的源码作用（pf_kdtree.cpp）、概率密度函数pdf与特征值分解的源码关系（eig3.cpp、pf_vector.cpp）以及如何利用pdf生成随机位姿（pf_pdf.cpp），源码同时解释kd树与直方图的源码对应关系。

       在概率密度函数pdf的源码创建中，我们首先定义一个高斯PDF结构体pf_pdf_gaussian_t，源码包含均值和协方差的源码描述，接着进行协方差矩阵的分解，通过Housholder算子和QR分解完成特征值分解过程。空中作画源码

       通过pdf结构体实现随机位姿的生成，具体在pf_pdf.cpp中pf_pdf_gaussian_sample函数实现，使用无均值带标准差的高斯分布进行生成。

       kd树数据结构在pf_kdtree.cpp中定义，包括节点和树的初始化，以及新位姿的插入。kd树的插入依据树的性质，通过计算max_split、中位数和分支点维数来定位新节点位置。查找节点和计算给定位姿权重则通过kd树结构实现，最终将树中叶子节点打标签，以统计特性如均值和协方差计算整个粒子集。

       kd树在AMCL中承担直方图功能，以叶子节点数目表示bin个数（k），概率密度函数pdf依赖于输入的均值和协方差生成，用于随机位姿的freemodbus源码详解产生。此外，kd树还用于判断粒子集是否收敛。最后，kd树表达直方图的过程在pf.cpp中pf_update_resample函数中实现，而pf_resample_limit函数用于设定采样限制。

       kd树在粒子滤波器模型中的作用包括存储粒子样本集、查找和插入新位姿，以及统计特性计算。概率密度函数pdf的使用除了初始化粒子位姿外，还有判断粒子收敛的作用。下一讲将探讨amcl_node.cpp的处理内容，包括初始位姿、激光数据和坐标系转换，以及粒子滤波器pf的运用。

UE4-Slate源码学习（四）FSceneViewport

       即视口是引擎中显示游戏画面的SWidget控件，也是车票源码编辑器中显示游戏内容的窗口。场景绘制视口（FSceneViewport）与SViewport绑定，用于场景渲染。鼠标捕获模式（EMouseCaptureMode）与鼠标锁定模式（EMouseLockMode）在项目设置中可配置，影响鼠标的交互。FSceneViewport事件处理包括鼠标按下（OnMouseButtonDown）、触摸开始（OnTouchStarted），事件响应后构造FReply，并更新几何体缓存、鼠标位置缓存。鼠标位置由绝对坐标转换为相对于视口的相对坐标。根据捕获状态和输入处理逻辑，事件最终被传递至PlayerController，通过PlayerInput管理。对于触摸输入，处理流程类似，调用InputTouch接口。小刀源码下载

       移动事件（OnMouseMove）、触摸移动（OnTouchMoved）记录鼠标的Delta和NumMouseSample累计值，Tick时处理。ProcessAccumulatedPointerInput在Tick阶段调用，处理键盘、鼠标输入，相关流程见第二章。完成输入处理后，FEngineLoop调用FinishedInputThisFrame，最终在ProcessAccumulatedPointerInput中调用InputAxis，处理至PlayerController的InputAxis，存储在PlayerInput中。其他事件如鼠标释放（OnMouseButtonUp）、触摸结束（OnTouchEnded）同样遵循类似流程。

       若SWidget为视口，执行相关事件调用至ViewportClient接口，进而触发输入系统（PlayerController、PlayerInput、InputComponent）。日常游戏开发中，通过视口事件实现如旋转相机、隐藏鼠标等操作。PlayerController提供三种模式（FInputModeUIOnly、FInputModeGameAndUI、FInputModeGameOnly），通过调整SViewport和ViewportClient参数，实现不同模式下的捕获、锁定、显隐鼠标功能。所讨论内容基于UE4版本4..2。

GridSample算子源码解析

       PyTorch的GridSample算子，其核心功能是按给定的索引进行采样，具体如官方描述：从低分辨率的输入（input）根据流场grid生成高分辨率的输出（output）。

       实现该算子的关键步骤是通过核心函数grid_sampler_2d_kernel进行二维数据处理。这个函数扮演了运算的桥梁，它处理输入数据和grid索引，以生成最终的高分辨率结果。

       另一个关键方法是grid_sampler_compute_source_index，它负责计算grid中的每个索引在原始输入数据中的精确对应位置，这是生成采样结果的关键步骤。

       在性能优化方面，可以考虑使用共享内存或L2缓存技术，例如，通过将频繁访问的数据如input、grid和output存储在这些高效存储区域，以减少内存访问时间和提高运算效率。

5.AMCL包源码分析 | 粒子滤波器模型与pf文件夹(一)

       粒子滤波器这部分内容较为复杂，涉及众多理论与数据结构，我们将分多个部分进行介绍。本部分内容主要对pf文件夹进行简要分析，包括蒙特卡罗定位在pf中的代码实现、KLD采样算法的理论介绍及其在pf中的具体实现。

       pf文件夹主要由以下部分组成：3✖3对称矩阵的特征值和特征向量的分解、kdtree的创建与维护方法、Gaussian模型与概率密度模型采样生成粒子、三维列向量、三维矩阵、实现pose的向量运算、局部到全局坐标的转换以及全局坐标到局部坐标的转换。

       接下来，我们将对各个头文件进行简要分析。

       粒子滤波器是AMCL定位的理论基础，属于粒子滤波的一种。关于粒子滤波的原理及代码效果演示，可以参考相关资料。

       AMCL包中的粒子滤波器作用如下：首先，参考pf.cpp中的pf_update_action函数，了解sample_motion_model代码实现；其次，参考pf.cpp中的pf_update_sensor函数，了解measurement_model的代码实现。

       AMCL引入KLD采样理论，对蒙特卡罗定位进行再次改进。参考《概率机器人》第8章，讨论粒子滤波器的效率及采样集大小的重要性。KLD采样是蒙特卡罗定位的一个变种，它能随时间改变粒子数，降低计算资源的浪费。

       3.1 KLD_Sampling_MCL算法介绍：算法将以前的采样集合、地图和最新的控制及测量作为输入，要求统计误差界限err和sigma。在满足统计界限之前，KLD采样将一直产生粒子。算法产生新粒子，直到粒子数M超过Mx和使用者定义的最小值Mx（min）。

       3.2 KLD采样算法在AMCL包中的具体应用：代码在pf.cpp中的pf_update_resample函数中实现。接下来，我们将详细分析pf文件夹里每个CPP文件的代码逻辑。