-基於貝葉斯概率，隨機取樣+重要取樣進行估算。
關鍵：重要性密度函式的選擇。
根據初始化狀態變數 —>生成取樣資料（按照一定的生成規則，如隨機規則，均勻分布規則）—> 計算**資料點（根據取樣資料，及狀態方程計算）—> 計算加權係數（根據實際觀測值與根據每個**點資料估算的輸出值進行對比，計算加權係數，加權係數規則根據需求自定義）—>重新取樣資料點（根據權重，重對前面採集的資料進行過濾，重新取樣，權重小的少取，權重大的多取）—>估算真實資料（對重新取樣的資料取均值，或用其他規則來定義估算；重新取樣的資料作為下乙個時刻的取樣資料）
優點：計算量相對於卡爾曼計算小，不能計算協方差。
缺點：嚴重依賴於對初始狀態的估計，可能很快收斂，也可能很快發散；有粒子退化問題，由於根據權重取樣，又有粒子匱乏，丟失部分資料等問題。
以下具體濾波方法還只作了基礎了解，需要進一步理解應用。
1、經典粒子濾波（sampling importance resampling，sir）
補充：序貫重要性取樣（sequential importance sampling，sis)是重要性取樣的擴充套件。
2、正則粒子濾波(regularized particle filter，rpf)
前面提到可以用重取樣的方法來減小退化的影響，但是引入重取樣策略同時也引入了新的問題，即粒子匱乏問題，經過若干次迭代之後，所有粒子都趨向於同乙個粒子，導致粒子的多樣性喪失。這是因為在重取樣過程中，粒子是從離散分布中取樣取得的，而不是從連續分布中取樣得到的。 正則粒子濾波正是為了解決上述問題而提出的。它與sir粒子濾波的區別在於：在重取樣過程中，sir從離散近似的分布中重取樣，而正則粒子濾波則從連續近似的分布中重取樣。根據正則化在選擇步驟之前還是之後，rpf分為post-rpf和pre-rpf。
3、輔助粒子濾波(auxiliary particle filter, apf)
pitt和shephard在標準sir濾波演算法的基礎上提出了輔助粒子濾波。與標準序列重要性重取樣(sir)演算法相比，apf也是以序列重要性取樣(sis)演算法為基礎，只是選擇了不同的重要性密度函式。 與sir濾波演算法相比，輔助粒子濾波演算法的優勢在於它在k-1時刻的樣本集合上隨機抽取了一些點，抽取時以當前的觀測資料為條件，這樣可以更加接近真實的狀態。
4、高斯粒子濾波(gaussian particle filter，gpf)
jayesh和petar提出的，將高斯濾波和粒子濾波結合，稱為高斯粒子濾波。該方法的前提是用高斯分布來近似後驗分布，它比其它的高斯濾波方法適用性更強，能處理更多非線性動態系統問題；而與一般的粒子濾波相比，因為gpf用高斯分布近似後驗分布，所以只要所用的高斯分布是正確的，就不會產生粒子退化問題，就不需要對粒子進行重取樣，從而使演算法的計算量降低，複雜度也降低。 高斯粒子濾波比其它高斯濾波有更好的效能，而與一般的粒子濾波相比計算量大大減小，複雜度降低。但是高斯濾波在後驗分布不能用高斯分布近似的非線性動態空間模型或者非線性系統非加性高斯雜訊模型時，濾波性不能令人滿意。
5、邊緣化粒子濾波（marginalized particle filter，mpf）
馬爾科夫過程：未來狀態與過去無關，只與現在有關，即下個時刻的狀態只與當前狀態有關，與之前的時刻的狀態都無關
馬爾科夫鏈：時間和狀態都是離散的馬爾科夫過程，成為馬爾科夫鏈
關鍵概念：馬爾科夫過程與初始狀態無關，跟轉移矩陣有關。
隱馬爾科夫模型
是統計模型，用來描述乙個含有**未知引數的馬爾科夫過程。
常見問題：
常用演算法：
自動駕駛 使用粒子濾波定位
前幾章介紹了卡爾曼濾波是用來對其他車輛追蹤和定位的，本章介紹的粒子濾波是用來定位自身的。通常我們用手機地圖的gps功能已經能大致定位出自身位置，但是gps存在10m左右的偏差，這麼大的偏差在自動駕駛時是無法承受的。本章介紹的粒子濾波是一種高精度定位自身位置的演算法。粒子濾波的原理概括來說是通過地圖得...
經典演算法之粒子濾波
粒子濾波 pf particle filter 演算法起源於20世紀50年代 poor man s monte carlo 問題的研究，但第乙個具有應用性的粒子濾波演算法於1993年由 gordon 等提出 它是利用粒子集來表示概率，可以用在任何形式的狀態空間模型上。其核心思想是通過從後驗概率中抽取...
粒子濾波在車輛定位中的應用
粒子濾波算是乙個非常經典的演算法了，具體的思想步驟不再詳述，這裡和這裡講的都比較詳細了。下圖就是演算法的偽 分為以下幾個步驟 下圖是粒子濾波車輛定位演算法的流程圖。在車輛定位問題中，不能將所有點的分布視為平均分布，比較好的辦法就是根據gps的資訊，並考慮到感測器的高斯雜訊來隨機撒點。具體的做法就是將...