机器人学习--粒子滤波/MCL定位的理论基础（先验知识）

跨学科（未学过数理统计和滤波等课程）的研究人员看懂粒子滤波或MCL定位的理论

2019年剑桥大学一名教授 Simon Godsill 发表了一篇论文：

Godsill S. Particle filtering: the first 25 years and beyond[C]//ICASSP 2019-2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2019: 7760-7764.  

该篇论文简要介绍了粒子滤波理论发展的前因后果及历史过程，值得一看。

1993年最早的粒子滤波版本，解决非线性非高斯的贝叶斯状态估计方案。

N. Gordon, D. Salmond, and A. F. Smith, “Novel approach to  nonlinear/non-Gaussian Bayesian state estimation,” IEE Proc. F, Radar Signal Process. , vol. 140, pp. 107–113, 1993.

第三个作者 斯密斯教授是帝国理工学院的，研究过不少贝叶斯理论和推理等内容。

（果然最开始最原始的很多研究理论都是诸如剑桥牛津帝国理工或者其他国家的名校的大牛提出）

先验知识：

18世纪1763年左右的--贝叶斯理论

1930年左右的--蒙特卡洛思想（重要性采样IS、采样-重要性重采样 SIR）

1960年左右的--状态估计--滤波--卡尔曼滤波（贝叶斯滤波的线性高斯版）

贝叶斯理论和应用案例

其中的 先验概率、后验概率、可能性函数等描述值得细读和推敲。

如何简单理解贝叶斯决策理论（Bayes Decision Theory）？ - 知乎如题，简单明了的解释一下贝叶斯决策理论https://www.zhihu.com/question/27670909

 蒙特卡洛思想

状态估计、滤波