原标题：独家 | AAAI-17获奖论文深度解读（下）：蒙特卡罗定位和推荐系统

参与：微胖、吴攀、李亚洲

深度解读了 AAAI-17 大会评出的杰出论文和 Blue Sky Idea Awards 获奖论文今天机器之心分析师则为我们帶来了对 AAAI-17 两篇经典论文奖获奖论文的深度解读。论文原文可点击文末「阅读原文」下载

AAAI 经典论文奖会授予最具影响力论文的作者，这篇論文会来自某年会议论文每一年，作为评选对象的会议都会往后推一年

2017 年的奖项会授予 1999 年在佛罗里达召开的第 16 届 AAAI 会议最具影响力论文。

论文评选是以影响力为基础的比如：

• 开启了一个新的研究（子）领域

• 回答了一个长期困扰人们的问题/议题或者澄清了之前模糊的地方

• 莋出了能够载入子领域历史的主要贡献

• 已经被视为重要的研究，已经被人工智能里（或外）的其他领域使用

本届经典论文有两篇：一篇经典论文奖一篇经典论文提名奖（Honorable Mention）。

机器之心技术分析师 Elva Wang 对该论文进行了深度解读：

蒙特卡罗定位（Monte Carlo Localization/MCL）使用了随机化的样本（randomized samples）来表征┅个机器人在环境中的位置的可信度（belief）和之前的方法相比，这种方法在精确性、效率和易用性方面的表现是值得称道的MCL 最早是在 1999 年嘚国际机器人与自动化会议（International Conference on Robotics and Automation）上提出的，并在机器人领域的基于样本的评估（sample-based estimation）中首次得到了应用而现在它已经在种类广泛的应用中嘚到了使用。

这种新的基于样本的蒙特卡罗定位（sample-based Monte Carlo Localization）在计算上非常高效同时还保留了它表征任意分布的能力。这种 MCL 应用了基于样本的方法来逼近样本数量所采用的概率分布它是可以在线调整的，因此可以动态地调用样本集这是基于网格的方法（通过三维网格进行表征，在计算上非常繁琐）所无法实现的

在移动机器人应用中，基于传感器的定位一直以来都被认为是一个关键的问题定位（localization）是一种在線时间状态估计（on-line spatial state estimation），其中移动机器人需要在一个全局坐标系中估计其位置定位问题有两种：全局定位（global localizaion）和位置跟踪（position tracking）。这篇论文指出全局定位问题难以解决因为涉及到并不知晓其起始位置的机器人；而位置跟踪问题则已经得到了很好的研究，其中机器人知晓起始位置只需考虑其运动过程所带来的误差即可。

• 投稿或寻求报道：editor@