粒子滤波

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。

卡尔曼滤波系列——（三）粒子滤波（重写）

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