粒子滤波原理与应用：非线性状态估计实战指南

1. 粒子滤波基础概念

粒子滤波（Particle Filter, PF）是一种基于蒙特卡洛采样的非线性非高斯系统状态估计方法。我第一次接触这个概念是在2015年做无人机目标跟踪项目时，当时被传统卡尔曼滤波在非线性场景下的表现所困扰，直到发现了粒子滤波这个强大的工具。

1.1 为什么需要粒子滤波

在工程实践中，我们经常会遇到这样的场景：系统动态模型高度非线性，噪声分布也不符合高斯假设。比如：

• 自动驾驶汽车跟踪行人时，行人的运动模式突然改变（从走到跑）
• 工业机器人手臂受到突发性干扰（如碰撞）
• 金融时间序列中出现尖峰波动

这些情况下，传统的卡尔曼滤波（KF）及其变种（如EKF、UKF）就会失效，因为它们都基于高斯假设。而粒子滤波通过一组带权重的粒子来近似任意分布，完美解决了这个问题。

1.2 核心思想图解

想象你在一个黑暗的房间里寻找一只猫，你只能通过听声音来判断位置。PF的工作方式就像：

1. 你撒出一把会发光的球（粒子）到房间各处
2. 根据猫叫声音的强弱（观测似然）给每个球赋予不同亮度（权重）
3. 把最暗的球收回，在最亮的球附近撒更多新球（重采样）
4. 最后所有亮球的中心位置就是你对猫位置的估计

这个过程中，粒子数量、撒布策略、亮度计算方式都会影响最终定位效果。下面我们就深入解析这个过程的数学原理。

2. 粒子滤波的数学基础

2.1 贝叶斯滤波框架

粒子滤波的理论基础是贝叶斯滤波，其核心是递推地更新状态后验概率：

code复制p(x_k|z_{1:k}) ∝ p(z_k|x_k) · ∫ p(x_k|x_{k-1}) p(x_{k-1}|z_{1:k-1}) dx_{k-1}

这个公式包含两个关键部分：

• 预测步（积分部分）：通过状态转移模型传播不确定性
• 更新步（乘积部分）：通过观测数据修正预测

对于非线性非高斯系统，这个积分没有解析解。粒子滤波的突破在于用蒙特卡洛方法近似这个积分。

2.2 重要性采样原理

重要性采样是蒙特卡洛积分的一种变体，基本思路是：

1. 从一个容易采样的建议分布q(x)中抽取样本
2. 通过重要性权重w(x)=p(x)/q(x)校正偏差
3. 用加权样本近似目标分布p(x)

在PF中，通常选择状态转移概率p(x_k|x_{k-1})作为建