粒子滤波（Particle Filter）是一种基于蒙特卡洛采样和贝叶斯估计的非线性滤波算法，主要用于解决非线性、非高斯系统中的状态估计问题。它通过 "粒子"（对系统状态的随机样本）来近似系统状态的后验概率分布，从而实现对未知状态的递归估计。
核心背景：为什么需要粒子滤波？
传统滤波算法（如卡尔曼滤波）仅适用于线性高斯系统 （状态方程和观测方程均为线性，噪声服从高斯分布）。但实际场景中，多数系统是非线性（如机器人运动、目标跟踪中的复杂运动模型）或非高斯（如观测噪声为脉冲噪声）的，此时卡尔曼滤波会产生较大误差。粒子滤波的优势在于：无需对系统进行线性化或假设噪声服从高斯分布，可处理任意非线性、非高斯系统。
基本原理：用 "粒子" 近似概率分布
粒子滤波的核心思想是：用一系列带权重的粒子（样本）来近似系统状态的后验概率分布。
- 每个 "粒子" 可理解为对系统真实状态的一个 "猜测"（如目标的位置、速度）；
- 粒子的 "权重" 表示该猜测的可信度（权重越高，越可能接近真实状态）。
通过不断更新粒子的状态和权重，并筛选高可信度的粒子，最终使粒子集合的分布逼近真实状态的后验分布。其理论基础是贝叶斯滤波框架 和蒙特卡洛采样：当粒子数量足够多时，粒子分布会收敛到真实的后验分布。
核心步骤（递归过程）
粒子滤波通过 "预测 - 更新 - 重采样" 的循环递归估计状态，具体步骤如下：
1. 初始化（Initialization）
在初始时刻（如\(t=0\)），从系统状态的先验分布\(p(x_0)\)中随机采样N个粒子，形成初始粒子集\(\{x_0^i, w_0^i\}_{i=1}^N\)，其中\(x_0^i\)是第i个粒子的初始状态，\(w_0^i\)是其初始权重（通常均匀初始化，即\(w_0^i=1/N\)）。
2. 预测（Prediction）
根据系统的状态转移模型，对每个粒子的状态进行预测（传播）。假设系统的状态转移方程为： \(x_t = f(x_{t-1}, u_t, v_t)\) 其中\(x_t\)是t时刻的状态，f是非线性转移函数，\(u_t\)是控制输入，\(v_t\)是过程噪声（可非高斯）。
对每个粒子\(x_{t-1}^i\)，根据转移模型生成预测状态： \(x_t^i \sim p(x_t | x_{t-1}^i, u_t)\)
3. 更新（Update，计算权重）
根据t时刻的观测值\(z_t\)，计算每个预测粒子\(x_t^i\)的权重，衡量其与观测的匹配程度。观测模型通常为： \(z_t = h(x_t, n_t)\) 其中h是非线性观测函数，\(n_t\)是观测噪声（可非高斯）。
权重计算公式为（基于贝叶斯公式的似然度）： \(w_t^i \propto w_{t-1}^i \cdot p(z_t | x_t^i)\) 其中\(p(z_t | x_t^i)\)是观测似然（表示在粒子\(x_t^i\)下观测到\(z_t\)的概率），权重需归一化（即\(\sum_{i=1}^N w_t^i = 1\)）。
4. 重采样（Resampling）
目的：解决 "粒子退化" 问题 ------ 随着迭代，多数粒子的权重会趋近于 0，仅有少数粒子有意义，导致估计精度下降。
操作：根据权重大小筛选粒子，保留高权重粒子（复制），丢弃低权重粒子，生成新的粒子集\(\{x_t^i, \tilde{w}t^i\}{i=1}^N\)，其中新权重\(\tilde{w}_t^i = 1/N\)（重新均匀化）。
常用重采样方法：系统重采样、分层重采样（比简单随机重采样更高效，减少粒子多样性损失）。
5. 状态估计
最终，t时刻的状态估计值可由粒子的加权平均（或加权中位数）得到： \(\hat{x}t = \sum{i=1}^N w_t^i x_t^i\)
关键问题与改进
- 粒子退化：可通过增加粒子数量缓解，但会提高计算量；或引入 "重要性采样" 的改进（如辅助粒子滤波），优先对高潜力粒子进行采样。
- 样本枯竭：重采样可能导致粒子多样性不足（大量重复高权重粒子），可通过 "抖动"（对重采样后的粒子添加微小噪声）或自适应重采样（仅当有效粒子数低于阈值时才重采样）缓解。
优缺点
- 优点：适用于任意非线性、非高斯系统；实现灵活，对模型假设要求低。
- 缺点：计算量随粒子数增加而显著增大（实时性受限）；粒子退化和样本枯竭问题；对初始粒子分布敏感。
典型应用
- 目标跟踪（视觉跟踪、雷达 / 红外目标跟踪）；
- 机器人定位与导航（SLAM 中的状态估计）；
- 无线传感器网络（节点定位）；
- 金融时间序列预测、信号处理等。
总之，粒子滤波通过 "随机采样 + 权重更新 + 筛选" 的方式，为复杂系统的状态估计提供了一种通用且强大的解决方案，尤其在传统滤波算法失效的场景中表现突出。
学习文章
