基于序贯重要性重采样的粒子滤波and(RBPF)

尽管高斯逼近可以有效的解决许多问题，但当滤波分布为多模型或者某些状态为离散时，高斯逼近将不再适用。

在贝叶斯推理中，主要的推理问题可简化为求解下列后验分布的期望值：
上式通常需要利用数值计算求解，其中在理想的蒙特卡洛逼近中，抽取$\mathbf{N}$个独立的随机样本${\mathbf{x}}^{(\mathbf{i})}$,且有${\mathbf{x}}^{(\mathbf{i})}\sim \mathbf{p}(\mathbf{x}|{\mathbf{y}}_{1:\mathbf{T}}),i=1,\cdot \cdot \cdot ,N$。故期望的表达式为：

重要性采样

在实际的贝叶斯模型中，由于函数比较复杂，难以直接从$\mathbf{p}(\mathbf{x}|{\mathbf{y}}_{1:\mathbf{T}})$获取样本。故采用重要性采样，重重要性分布$\mathbf{\pi }(\mathbf{x}|{\mathbf{y}}_{1:\mathbf{T}})$中获取样本。将原先的积分式构造成函数关于重要性分布的积分式：其中,
则期望值可近似为：
其权值为：

重要性采样算法

已知量测模型$\mathbf{p}({\mathbf{y}}_{1:\mathbf{T}}|\mathbf{x})$和先验分布$\mathbf{p}(\mathbf{x})$，后验部分的重要性采样逼近为：
1). 重要性分布中抽取$\mathbf{N}$个样本：
2). 计算非归一化权值：
归一化权值为：
3). 由此可得$\mathbf{g}(\mathbf{x})$的后验分布的期望逼近为：
后验概率密度逼近为：
式中，$\mathbf{\delta }(\cdot )$为狄拉克函数。

序贯重要性重采样SIR(粒子滤波)

其中，序贯重要性采样(SIS)是对重要性采样的一种序列形式，该算法可对一般状态空间模型的滤波分布进行重要性采样。

在序贯序贯重要性采样中，存在大多是粒子的权值为零或者近似为零。这一现象称为粒子退化问题。利用重采样法可以解决粒子退化的问题。

从先验分布中抽取$\mathbf{N}$个样本${\mathbf{x}}_0^{(\mathbf{i})}$：
对所有的 $\mathbf{i}=1,\cdot \cdot \cdot ,\mathbf{N}$，令 ${\mathbf{w}}_0^{(\mathbf{i})}=\frac{1}{\mathbf{N}}$。
对每个 $\mathbf{k}=1,\cdot \cdot \cdot ,\mathbf{T}$ 有：
1). 从重要性分布中抽取$x_k^{(i)}$:
2). 计算权值：
将权值归一化，使其和为1.
3). 估计有效粒子数，${\mathbf{n}}_{\mathbf{e}\mathbf{f}\mathbf{f}}$。若有效粒子数过少，则执行重采样。

该算法的性能2依赖于重要性分布$\mathbf{\pi }(\cdot )$的选择。重要性分布应满足易于从重要性分布中抽取样本，且能够计算样本点的概率密度为原则。方差最优重要性分布为；
如果最优重要性分布不能直接实现，则可通过进行局部线性化得到。利用扩展卡尔曼滤波EKF，无迹卡尔曼滤波UKF等非线性卡尔曼滤波器，可得到重要性分布。

重采样过程

从离散分布中抽取N个样本来带替旧的样本集。具体参考下链接：
https://www.cnblogs.com/gary-guo/p/6244011.html。

Rao-Blackwellized粒子滤波RBPF(混合卡尔曼滤波器MKF)

其思想是对滤波方程计算解析解，而其他方程用蒙特卡罗采样代替纯采样进行估计。
常见的$\mathbf{R}\mathbf{a}\mathbf{o}-\mathbf{B}\mathbf{l}\mathbf{a}\mathbf{c}\mathbf{k}\mathbf{w}\mathbf{e}\mathbf{l}\mathbf{l}\mathbf{i}\mathbf{z}\mathbf{e}\mathbf{d}$粒子滤波方程是指线性高斯模型条件分布的边缘化滤波：
式中，${\mathbf{x}}_{\mathbf{k}}$为状态量，${\mathbf{y}}_{\mathbf{k}}$为量测量，${\mathbf{u}}_{\mathbf{k}}$为任意未知变量。

滤波步骤：
已知重要性分布序列$\pi (u_k|u_{0,k-1}^{(i)},y_{1:k})$和带权值的样本集

{ w k − 1 ( i ) , u k − 1 ( i ) , m k − 1 ( i ) , P k − 1 ( i ) : i = 1 , 2 , ⋅ ⋅ ⋅ . N } \bm{\{w^{(i)}_{k-1},u^{(i)}_{k-1},m^{(i)}_{k-1},P^{(i)}_{k-1}:i=1,2,\cdot \cdot \cdot.N\}} {wk−1(i)​,uk−1(i)​,mk−1(i)​,Pk−1(i)​:i=1,2,⋅⋅⋅.N}，

则利用RBPF对量测量$y_k$进行解算步骤如下：
1). 首先提取潜在变量${\mathbf{u}}_{\mathbf{k}-1}^{(\mathbf{i})}$，对每个粒子$i=1,2,\cdot \cdot \cdot ,N$计算出卡尔曼滤波的预测均值和预测协方差：
2). 对每个粒子$i=1,2,\cdot \cdot \cdot ,N$，从相应的重要性分布中提取新的钱潜变量${\mathbf{u}}_{\mathbf{k}}^{(\mathbf{i})}$:
3). 计算新的权值：
由上始可知，卡尔曼滤波的模型参数是所提取潜在变量${\mathbf{u}}_{\mathbf{k}}^{(\mathbf{i})}$的条件分布，且其权值归一化为1；式中，似然项为卡尔曼滤波边缘量测量的似然分布：
4). 根据潜变量${\mathbf{u}}_{\mathbf{k}}^{(\mathbf{i})}$，对每个粒子执行卡尔曼滤波更新：
5). 若有效粒子数过少，则执行重采样操作。

RBPF粒子滤波器在每$\mathbf{k}$个时刻产生一个权值样本集

{ w k ( i ) , u k ( i ) , m k ( i ) , P k ( i ) : i = 1 , 2 , ⋅ ⋅ ⋅ . N } \bm{\{w^{(i)}_{k},u^{(i)}_{k},m^{(i)}_{k},P^{(i)}_{k}:i=1,2,\cdot \cdot \cdot.N\}} {wk(i)​,uk(i)​,mk(i)​,Pk(i)​:i=1,2,⋅⋅⋅.N}，因此函数$\mathbf{g}(\cdot )$的期望可近似为：
同理，RBPF也可表述为一下滤波分布的逼近：
在RBPF中使重要性权值方差最小化的重要性分布，即最优重要性分布为
卒。