AMCL vs 即時 SLAM：機器人定位該用哪一種

「我在哪裡」跟「這裡長什麼樣子」，是不是同一個問題

機器人導航要解決的第一個問題，通常被拆成兩個子問題：環境長什麼樣子（建圖），以及機器人目前在這個環境裡的哪個位置（定位）。SLAM（同步定位與建圖）把這兩個問題綁在一起同時求解，但多數走進商用部署的機器人系統，實際運行時卻選擇把兩者拆開——先離線用 SLAM 建好一張高品質地圖，機器人上線服務時改用運算成本低得多的 AMCL（Adaptive Monte Carlo Localization）在這張固定地圖上定位，不再持續更新地圖本身。

AMCL 的核心：用粒子群表示「我可能在哪裡」

AMCL 的核心是粒子濾波（Particle Filter）——用大量隨機取樣的粒子，每個粒子代表一個「機器人可能所在位置與朝向」的假設。每次機器人移動，所有粒子依照運動模型（結合輪組里程計）各自更新位置；每次收到新的感測器觀測（例如雷射掃描），系統會依「如果機器人真的在這個粒子的位置，感測器應該看到什麼、跟實際看到的匹配程度」對每個粒子重新加權，匹配度高的粒子權重上升、匹配度低的粒子權重下降，接著依權重重新取樣粒子群——這個「預測、加權、重新取樣」的循環反覆執行，粒子群會逐漸收斂到機器人真實所在位置附近，這正是本站在 SLAM 技術總覽 文章中介紹的機率機器人學框架在定位問題上的具體實作。

為什麼多數量產系統選擇「先建圖、後定位」

持續運行完整 SLAM 需要同時處理姿態估計與地圖更新兩件事，且地圖會隨探索範圍持續增長，長時間運行下記憶體用量與運算負擔會累積上升；而多數商用場域（倉儲、賣場、醫院走廊）的環境佈局在機器人服務期間相對穩定，不需要每次運行都重新建圖。因此常見架構是離線階段先用 SLAM Toolbox 或類似工具跑一次高品質建圖流程，人工確認地圖品質無誤後固定下來，機器人上線服務時只需要在這張固定地圖上運行運算成本低得多的 AMCL，這也是 Nav2 導航堆疊 預設架構裡定位模組與建圖模組分離、各自對應不同運行模式的設計考量。

什麼場景仍然需要全程 SLAM

如果機器人服務的環境本身會頻繁變動（貨架位置常常調整的倉儲、家具經常搬動的居家環境），或者機器人需要進入完全陌生、事先沒有地圖的場域執行任務（搜救、探勘），固定地圖加 AMCL 的假設就不成立，這類場景仍然需要讓 SLAM 全程運行，持續更新地圖以反映環境的真實變化，代價是必須承受較高的運算與記憶體負擔，這也是為什麼評估「該用 AMCL 還是全程 SLAM」時，核心問題其實是「環境有多穩定」，而不是單純比較兩種技術何者更先進。