粒子滤波

Particle FilterPF进阶

用一大群带权重的随机样本近似状态分布的递推估计方法。

粒子滤波又叫序贯蒙特卡洛方法，1993 年 Gordon 等人提出的 bootstrap 滤波是其经典起点。它用许多「粒子」（每个代表一种可能的状态，比如机器人位姿）和各自的权重表示不确定性，每一步做三件事：按运动模型推动粒子并加噪声（预测），按传感器观测给粒子重新打分（更新），丢掉低权重粒子、复制高权重粒子（重采样）。卡尔曼滤波只能表示单峰高斯，粒子滤波能处理非线性、非高斯和多峰情况，比如机器人不确定自己在两条相似走廊中的哪一条。机器人上最典型的应用是 1999 年提出的蒙特卡洛定位及其自适应版本 AMCL。