粒子滤波小结

今天就来说说我看懂了的粒子滤波(Particle Filter)部分。

我为啥要在看粒子滤波之前拼命学卡尔曼？因为，粒子滤波和Kalman的模型是一样的。无论是线性还是非线性，它俩的模型都是那个：

z_t=h(x_t, v_t);

x_t=f(x_(t-1),w_t);

虽然粒子滤波中，不太常提这个表达形式，因为大家都默认你懂了Kalman。因此，粒子滤波的关键不在这个模型，而在于一个假设：

P(x_t| z_t)不再是高斯分布了！

前 面已经反复强调过，在Kalman下，状态的后验概率是一个高斯分布，也就是一个单峰概率分布。这种模型最大的问题是：无法处理非高斯模型。形象一些说， 如果你发烧了，那你既有可能是嗓子发炎了，也有可能是身体其他部分发炎了，甚至有可能产生肿瘤了。那对于发烧这个现象的原因的条件概率，就会有多个峰值。 但如果使用Kalman，则假设了高斯分布，自然无法正确表示这个模型。

那么Particle Filter是怎么搞的呢？它的关键核心在于，他用一堆状态例子来表示这个不知道该怎么解析表示的后验概率。

其实这件事情也好理解，对于一个概率分布y=p(x)而言，你取一些x，让x对应它的概率值p(x)，写成点对就是(x,p(x))。那我问，x=x0时，p(x)是多少啊？ 你自然回答p(x0)... 看似很傻的，其实PF就是这意思。

那 本来能取到的值就是有限个，那对于没能取到的x0，如何找到对应的p(x0)呢？一般大家给出的答