内容基于 edX 平台上Chalmers的micromaster项目：Emerging Automotive Technologies: Sensor Fusion and Non-linear Filtering for Automotive Systems，在学习过程主要参考了Particle Filter Tutorial 粒子滤波：从推导到应用。
这里主要按照自己的思路进行小结，内容主要包括蒙特卡洛近似，重要性采样权重递推推导，重采样和边缘粒子滤波器。
1 模型说明
系统模型包括动态模型（Motion Model）和观测模型（Measurement Model）：
其中 
为状态变量，
为观测变量，
和 
为独立噪声。
在贝叶斯滤波中，我们的目标是在已知 
时，求 
，然后再通过 来估计状态变量。通过下面的说明，我们将发现，最后得到的粒子滤波算法实际上相当于通过构造期望与 相同的离散概率分布来估计状态变量。
2 蒙特卡洛近似和重要性采样
蒙特卡洛近似（Monte Carlo approximations）指的是根据采样样本近似目标概率分布的方法。直观理解就是我们可以对随机事件进行多次独立重复实验，最后根据每种情况出现的次数，绘制频数分布直方图，从而得到近似的概率分布。用数学语言来描述便是：
其中 
为代表 k 时刻的第 i 个样本。上式两边同时积分后，结果均为1。（注：以下略去极限符号）
上述方法存在的问题是：目标概率未知时，在计算机上不易获得样本，陷入了矛盾。因此引入重要性采样（Importance sampling）：
其中 
是人为选择的一个概率分布，称为重要性分布，并据此生成样本，即：
两边积分有：
即：
记权重因子：
此时：
或：
我们的最终目标是求估计，即某种期望，因此问题转化为选择 
以获取 
和计算 
。至于如何生成一个已知概率分布的样本，可参考史上最全采样方法详细解读与代码实现。
3 权重递推
同样希望采用递推的思路求解 。
粒子滤波方法相当于在每个时刻 k 构造一个离散概率分布，其中权重因子 
可看作是每个粒子 
出现的概率（粒子数 N 无穷大时，每个粒子出现的概率为 0 ）。在 k 时刻时，
出现的概率与包含 的 
出现的概率相同，即：
尝试证明如下：
的累积概率分布如下：
上式最右端对满足 
项求和。
上式亦可写成：
所以：
上式对任意 a 成立，因此可以从小到大依次选择 a 代入以去掉求和符号，从而有：
可能会有人提出，如果存在 
的情况怎么办？个人认为，虽然实际运用时确实会出现这种情况，但是考虑到对于连续概率分布 
抽取某一特定样本的概率为0（ 
，虽然事件发生概率为 0 ，但仍有可能发生），因此不必纳入考虑范围。另一方面，也可以认为我们所认为的二者取值相同只是因为我们的分辨率有限，实际上不存在取值相同的情况。
计算：
对分子 
：
对分母 
，因为每个 k 时刻抽样是独立的，因此：
因此：
即对每个粒子：
根据：
归一化后求得 
的具体值。
4 重采样
理想情况下应该根据 
采样，即 
。此时：
实际情况下，很难做到这一点，易出现采样点 
对应的 
接近 0，而 
仍较大，此时 
。根据递推公式，在 k+1 时刻，也有 
。如此重复，不断有新的粒子权重约等于0，经过归一化后，最后只有一个粒子权重接近1，而其他粒子权重均接近0，这会导致估计出现较大误差，同时大量算力浪费在无贡献的粒子上。这种情况称为退化。 退化程度可用有效粒子数来衡量：
当粒子权重方差越大，退化程度越严重。为了避免退化，应该尽可能使 
接近 
，因此在选择 
最好考虑测量 
和之前的状态 
，即把 
， 作为参量纳入 的表达式中，这里记做 
。
当有效粒子数小于某一阈值时，需要采取措施干预。通常可采用重采样。例如，生成 [0,1] 之间的 N 个均匀随机数，统计落入区间 
（如下图）的粒子数 n ，复制区间对应 的粒子 
至 n 个，此时每个粒子的权重均为 
。
上述方式相当于把按权重大小复制粒子，权重大复制得多，权重小的复制得少，甚至舍去。下一个时刻，基于 
生成新粒子时，对多个取值相同的粒子 
，还是能分裂出不同取值的粒子 
。
5 粒子滤波算法
标准粒子滤波算法流程为：
(1) 初始化：根据 
生成粒子集 
(2) 执行循环：
1) 重要性采样：根据选择的 
生成新粒子 
，计算权重并归一化得 
。
2) 判断粒子退化程度，满足有效粒子数大于某一阈值，
，跳到4) 。
3) 重采样：对粒子集 
重采样得 
。
4) 计算状态估计值：
。
在工程上，通常选取 
，此时：
如果 k-1 时有重采样，则：
具体应用案例可参考Particle Filter Tutorial 粒子滤波：从推导到应用（四） 。
6 边缘粒子滤波器
随着模型状态变量维度的增大，粒子滤波器的所需样本数 N增大（1维时在线段上采样，2维时在平面上采样……），计算量急剧增大，称之为“维度灾难”。此时可以考虑采用边缘粒子滤波器（Marginalized Particle Filter, 也称作Rao-Blackwellized Particle Filter）。
边缘粒子滤波器将状态变量分解为线性变量和非线性变量，其中非线性变量用粒子滤波器求解，线性变量用其他滤波器（如KF）求解，以达到降维的目的。此时后验概率可以写为：
其中 
为线性变量，
为非线性变量；
用卡尔曼滤波器求解， 
用粒子滤波器求解。具体步骤如下：
对每个步骤的理解如下：
1) PF-pred.：PF 的采样过程。不妨取 
。
因为：
其中 
和 
由 k-1 时刻求得，所以 
在这里可看作是一种噪声，即总噪声为 
。
2) KF-dyn. upd.：基于 
更新 
。
可看作是 
的观测方程，则：
3) KF-pred：预测 
，此时 
。
因为 
中各项均已知，此步骤为常规的卡尔曼滤波预测步。
4) KF-upd.：基于 
更新 
。个人认为此步应早于 PF-upd.。
式 
中 
已由采样确定，此时：
5) PF-upd.：PF 的权重更新过程
因为 
且个人认为此处 
应服从 
，因此把 KF-upd. 提前。此处仍把 
看做噪声，计算出其概率分布后，可求出对应任意 
和 
的 
。
估计为：
由上述过程可看出，边缘粒子滤波器相当于采样后对每一个粒子做卡尔曼滤波（此时 
相当于参量），最后更新权重。对每个粒子 
进行滤波的结果示意如下：
每条曲线乘以权重 
后即可得到近似实际概率分布。实际概率分布如下：
（相当于选择合适的方向切片再组合来近似原形状）
1万+
