【粒子滤波定位】（四）粒子滤波存在的问题与改进方法

1 常规粒子滤波存在的问题

粒子滤波方法通过蒙特卡洛模拟实现递推贝叶斯公式。
核心思想：利用一系列随机样本的加权和来表示所需的后验概率密度，得到状态的估计值。
当样本点数增加至无穷大时，蒙特卡洛特性与后验概率密度的函数表示等价。
粒子滤波采样SIS方法来递归，根据重要性进行采样得到后验概率密度的近似分布。

1.1 重要性函数选择问题

• 目前最常见的参考分布选取方法：令$q(x_k|x_{k-1},z_k)=p(x_k|x_{k-1})$，即选用系统的状态转移概率函数。
  

1.2 粒子退化问题

1.3 计算效率问题

2 粒子滤波的一些改进方法

• 改进粒子滤波方法的重要性函数，优化采样过程；
• 提高粒子滤波器的计算性能，主要从数据结构以及如何减少粒子数据的角度出发。

2.1 无迹粒子滤波方法

$UPF$（Unscented Particle Filter）算法核心思想：在粒子滤波算法的基础上，利用$UKF$得到比普通$PF$更好的重要性函数。
将最新的观测值引入到预测过程，提高了常规粒子滤波的性能，大大增加了计算量。

2.2 进化粒子滤波方法

进化粒子滤波方法是智能生物算法与粒子滤波算法相结合的产物。
中心思想：利用进化遗传算法中的交叉、变异、竞争选择等操作来改善粒子集的分布以及多样性问题。
算法的实时性、数学上的合理解释需要进一步讨论。

2.3 辅助采样-重采样方法

辅助采样-重采样方法是引入辅助变量进行辅助采样。
辅助采样是在$k-1$时刻进行的，并考虑到$k$时刻的观测信息$z_k$，这样使得过程噪声较小时，采样粒子更接近$k$时刻的真实状态，从而可以获得更高的预估精度，但是过程噪声较大时，滤波效果不如标准粒子滤波算法好。

2.4 规则化采样方法

与常规$PF$算法比较，仅在重采样过程中有所区别。

2.5 自适应粒子滤波方法

基本思想：在估计过程中，采样粒子数目不再保持固定值，而是根据滤波性能动态调节。
不断计算粒子滤波得到的估计后验概率密度与真实后验概率密度的$Kullback-Leiber$距离，作为粒子滤波的近似误差，确定粒子滤波性能的高低。

当概率密度集中在状态空间中的某一部分时，采用较少的粒子数；
当状态的不确定度很高时，则采用较多的粒子数。