机器之心曾深度解读了 AAAI-17 大会评出的杰出论文和 Blue Sky Idea Awards 获奖论文，本期我们带来对 AAAI-17 两篇经典论文奖获奖论文的深度解读。
AAAI 经典论文奖会授予最具影响力论文的作者，这篇论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
导致了重要应用
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
做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
已经被大量引用
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）。
AAAI-17 经典论文奖（Classic Paper Award）
论文标题：蒙特卡洛定位：移动机器人的有效位置估计（Monte Carlo Localization: Efficient Position Estimation for Mobile Robots）
作者：Dieter Fox, Wolfram Burgardy , Frank Dellaert, Sebastian Thrun
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）来表征一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 年的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得到了使用。
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。
引言
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）是一种在线时间状态估计（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。
机器人定位上的已有方法包括马尔可夫定位（Markov localization）、卡尔曼滤波（Kalman Filtering）、粒子滤波（Particle Filtering）、即时定位与地图构建（SLAM）和多机器人定位（Multi-robot localization）。
1. 马尔可夫定位：
中心思想：通过在可能位置上的概率分布来表征机器人的可信度（belief），并在机器人感知或移动时使用贝叶斯规则和卷积来更新这个可信度。
马尔可夫假设：如果知道当前状态，那么过去和未来的数据是独立的。
