卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波以及粒子滤波原理 里面归纳共性部分非常有道理,大道若简
所有滤波问题其实都是求感兴趣的状态的后验概率分布,只是由于针对特定条件的不同,可通过求解递推贝叶斯公式获得后验概率的解析解(KF、EKF、UKF),也可通过大数统计平均求期望的方法来获得后验概率(PF)。
滤波问题中的困难主要在于后验概率的计算,粒子滤波的出发点是:只要从后验概率中采样很多粒子,用它们的状态求平均就得到了滤波结果。
kf/ekf/ukf与pf有什么区别和联系
相同点:都是求后验概率
不同点:条件的差别导致了求解方法的差别,由于kf/ekf/ukf都是高斯噪声,所以不论模型线性与否都能得到近似近似解析解,而pf没有模型限定,因此是Kf是通过求解递推贝叶斯公式来得到后验概率分布的,而pf直接通过带权重的随机样本统计后验概率的均值。
而对于非线性问题,扩展卡尔曼滤波在做局部线性化的操作时,同样损失了一定的精度,模型的非线性度越强,损失得越多。
在这样的情况下,基于序贯重要性采样方法的例子滤波(Partical Filter,PF)是一个有效的替代方法,它通过蒙特卡洛近似的方式获得贝叶斯滤波问题中后验分布的解,从而达到滤波或者状态估计的目的。
卡尔曼滤波系列——(二)扩展卡尔曼滤波 他写的这篇里,仿真验证的例子也值得学习一下