粒子滤波到底是怎么得到的？

点击上方“计算机视觉工坊”，选择“星标”

干货第一时间送达

一、前言

粒子滤波（particle filter）是一种常见的滤波算法，广泛应用于目标跟踪、移动机器人等领域。网络上有不少关于粒子滤波的资料，但大多是直接给出了粒子滤波的相关公式和证明，或较为直观上的解释。作者在学习粒子滤波的过程中对一些概念和操作时常感到突兀，后来发现想要完整了解粒子滤波，需要首先了解前因，逐渐深入才能理解粒子滤波，而不是直接学习粒子滤波这个方法。

本文将侧重从“粒子滤波是怎么来的”这个问题介绍粒子滤波。限于篇幅与易懂性，对一些概念并没有展开介绍，读者在了解基本思路后可以根据给出的资料深入学习。本文包含了作者自己不严谨的理解与阐述，如有疏漏，望批评指正。

二、对“滤波”的一些介绍

2.1 何为“滤波”？

贝叶斯滤波、卡尔曼滤波、粒子滤波……种种这些滤波方法，都涉及到了“滤波”这个词。那么到底什么是滤波，不同的领域有不同的定义。比如在信号系统领域，滤波是指将信号中特定波段的频率滤除的操作。而在移动机器人领域，我暂时没有看到较为严格的定义。我认为可以姑且理解为：通过不断地观测，使得对目标状态的估计变得更加准确。

2.2 贝叶斯滤波

卡尔曼滤波与粒子滤波都是基于贝叶斯滤波框架下的滤波算法。讲粒子滤波便不得不提贝叶斯滤波。贝叶斯滤波的基本思想是根据上一时刻的状态对当前状态进行预测，并根据此时的观测进行更新。基本算法是：

（图片来源：《概率机器人》）

可以看出，在预测部分需要求一个积分，而这个积分往往很难求。所以显有方法可以直接利用原始的贝叶斯进行处理。

2.3 卡尔曼滤波

卡尔曼滤波也是非常庞大的一块内容，这里不展开介绍。只在这里说明，卡尔曼滤波是贝叶斯滤波在线性高斯系统下的一种滤波