SLAM学习笔记——贝叶斯滤波（非参数滤波篇）

非参数滤波可以模拟非线性情况，主要介绍两种滤波，直方图滤波和粒子滤波，后者被广泛应用于机器人学中。

离散贝叶斯滤波

可以对比一下连续贝叶斯滤波，我在连续贝叶斯滤波中就是按照离散来讲的，离散应该更好理解。

直方图滤波

将先验概率用直方图分段，利用积分求出每个分段平均值和概率代表一个离散的状态，利用离散贝叶斯滤波和转移方程，求出后验概率。

动态分解与静态分解

动态分解就是概率越高，分的越密

粒子滤波

用无数粒子表示状态，概率越密集，采样越密集

直接看伪代码

• 输入分别是上一时刻的粒子群，控制数据，观测数据，X就代表了bel
• 3-7计算后验概率$\overline{bel}$，也就是新的粒子分布。先通过之前的粒子加上运动计算出新的粒子群，然后计算出粒子的重要性（符合目前观测的粒子重要性大），将新的粒子以及其重要性作为$\overline{bel}$
• 8-10行进行的是重采样，一些重要性非常低的粒子可以适当抛弃，减少运算量；（后面不是一般粒子滤波做的）重要性非常高但是位置非常近的粒子也可以用更少的粒子去表示，减少计算量；还有存在粒子平均重要性很低，说明之前可能抛弃了真正的粒子，需要在全局再撒一些粒子补充，让后面的迭代能准确收敛。
  PS：带权粒子数才是概率，所以有些权很低的粒子也会非常密集，所以要根据权重采样。