蒙特卡洛粒子滤波定位算法_RL-粒子滤波 Particle Filter

前面讲到的Kalman滤波是针对线性高斯的动态模型，当动态模型是非线性非高斯，则可以使用粒子滤波。

Particle filter可以应用在物体追踪方面，下面通过一个简单的解释来理解其算法。

我们现在通过放很多只狗来追踪物品，狗则代表的是粒子particle。狗狗会返回一个目标相似度与目标可能位置，相似度则类似于我们下面的权值

，位置则是下文的

。物体可能动来动去，在追踪的过程中，1号狗狗得到的权值很高0.7，其他狗狗可能得到的权值很小。为了提高追踪的效率，可以对他们重新部署，这里就是重采样，因为我们想把尽可能多的狗放在大概率的地方，就是1号狗的位置，其他的例如概率小的位置就少放点狗，甚至不放。

粒子追踪的思路就是循环以下过程：重要性采样（即放狗，搜集每个狗追踪的位置以及权重）+ 重采样（重新放狗）

1. 蒙特卡洛方法

蒙特卡洛的思想就用使用均值代替积分。

对于任意的函数

, 假设

是一个分布，即

，令

它刚好是一个期望； 假设随机变量

服从分布

，则

它也会近似等于

2. 重要性采样 Importance Sampling

首先，我们知道求一个函数

在概率密度函数为

下的期望为

此时， 这个积分比较复杂，于是我们可以通过在

上进行采样，得到

来估计

的期望

这个

比较复杂，于是我们可以引入另一个概率密度函数

（我们熟悉的相对简单的），上述的式子