【状态估计与多传感器数据融合】粒子滤波（PF）原理

系列文章目录

提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加
TODO:写完再整理

---

前言

认知有限，望大家多多包涵，有什么问题也希望能够与大家多交流，共同成长！

本文先对粒子滤波（PF）原理做个简单的介绍，具体内容后续再更，其他模块可以参考去我其他文章

---

提示：以下是本篇文章正文内容

一、粒子滤波器的原理

粒子滤波，是一种思想，比如要计算一个矩形里面一个不规则形状的面积，这个问题不好直接计算，但是可以拿一把豆子均匀撒到矩形中，统计落在不规则形状中豆子的占比就能算出其面积了。在机器人定位问题中，我们在地图的任意位置撒上许多粒子点，然后通过传感器观测数据按照一定的评价方法对每个粒子点进行打分，【防盗标记–盒子君hzj】评分高的粒子点表示机器人有更大的可能在此位置；在下一轮撒点时，就在评分高的粒子点附近多撒一些点，这样通过不断的迭代，粒子点就会聚拢到一个地方。这个粒子点聚集的地方，就是机器人位置的最优估计点。红色的粒子点慢慢聚拢到一团。
重要性采样，在粒子滤波的迭代过程中，【防盗标记–盒子君hzj】评分高的粒子点会被下一轮迭代时更加看重，这样不断迭代真实估计值附近的粒子点会越来越多
.
.

二、粒子滤波原理特性

（1）粒子滤波和卡尔曼滤波也是是贝叶斯滤波的一种特例
（2）能处理非线性情况
（3）能处理多峰分布的情况
（4）用一系列的粒子(particle)近似概率分布
（4）非参滤波器

三、粒子滤波原理论理流程

（1）用粒子进行状态传播

传播模型使用的是运动学模型

传播模型如下

运动学模型如下

（2）评估每一个粒子权重（权重即时得分）

评估机器人位姿和地图的匹配程度

（3）根据权重进行重采样

.
.

四、粒子滤波器程序流程

五、粒子滤波存在的问题

（1）粒子耗散问题
（2）维数灾难【防盗标记–盒子君hzj】
（3）当proposal比较差的时候，需要用很多的粒子才能较好的表示机器人的后延概率分布

---