ekf_localization_node 是一个扩展卡尔曼估计器，它使用一个三维测量模型随着时间生成状态，同时利用感知数据校正已经监测过的估计。
ukf_localization_node 是一个无迹卡尔曼滤波估计器，它使用一系列sigma点通过非线性变换生成状态，并使用这些估计过的sigma点覆盖状态估计点和协方差，这个估计使用雅克比矩阵并使得估计器更加稳定。然而缺点是比ekf_localization_node耗费更大的计算量。

robot_localization包支持任意数量的传感器数据融合。节点不限制输入传感器的数量，比如机器人具有多个IMU或机器人里程计信息，robot_localization中的状态估计节点可以支持所有的传感器。

robot_localization包支持多种ROS msg格式。所有的状态估计节点可以支持以下多种msg

robot_localization包使用15维向量来表示机器人的运动状态：

ROS学习笔记之——robot_localization包

每3个数据一组，分别表示：

ROS学习笔记之——robot_localization包

robot_localization常常被用在两种典型的场景:

融合连续的传感器数据（里程计和IMU）创建局部精确的状态估计。也即适合应用于使用多种位置、方向的传感器融合的场合，可以做出精确的局部位姿估计
融合连续的传感器数据及全局位姿估计来提供精确而完整的全局状态估计。如果再加上一些全局state的话（来自于其他的全局传感器或数据）可以实现对全局的状态估计。

robot_localization的典型用法应该是配合机器人导航模块，实现各种sensor的融合以及精确的路线导航。

如果某个传感器信息包含有希望忽略的估计数据，robot_localization允许对单个传感器输入数据定制处理。

续估计。每个状态估计节点在接收到机器人一个测试数据时就开始估计机器人状态。当存在间歇接受的传感数据时（一段周期没有接受数据），机器人会通过内部模型继续状态估计。