参考文章
通过例子理解最大似然估计
最大似然估计和最小二乘估计的区别与联系
SLAM的发展以及分类
移动机器人运动模型
深入理解最大似然估计与最大后验估计：概率中的两大估计法
从贝叶斯公式到卡尔曼滤波
Kalman滤波通俗理解+实际应用
简单总结
概率： 在一定条件下，某件事发生的可能性。概率越大，这件事越有可能发生。
举例：已知小车运动模型（模型）和当前速度分布（条件），求运动到B点的可能性多大（事件）。
似然： 某件事已经发生，在不同条件下的可能性。似然越大，这件事越可能在该条件下发生。
举例：已知小车运动模型（模型）和运动到了B点（事件），求小车速度分布（条件）最可能是多少？
最大似然估计： 从模型中抽取该n组样本观测值，最合理的参数估计量是让这个事件发生概率最大。
从概率角度出发，估计的是概率分布的参数，最大化似然概率函数。
最小二乘法： 从模型中抽取该n组样本观测值，最合理的参数估计量是使模型能最好地拟合样本数据。
从优化角度出发，估计的是拟合模型的参数，最小化估计值和观测值之差的平方和。
最大后验估计: 一种贝叶斯估计方法，结合了先验分布和似然函数。