kalman，扩展kalman，无迹kalman，粒子滤波，无迹粒子滤波

资 源 简 介

kalman，扩展kalman，无迹kalman，粒子滤波，无迹粒子滤波

详 情 说 明

卡尔曼滤波及其变种算法在状态估计领域有着广泛应用。基础卡尔曼滤波(KF)针对线性系统设计，通过预测和更新两个步骤递归估计系统状态。其核心思想是利用高斯分布描述状态概率，通过协方差矩阵量化不确定性。

扩展卡尔曼滤波(EKF)解决了非线性系统的状态估计问题。它通过对非线性函数进行一阶泰勒展开实现局部线性化，适用于弱非线性场景。EKF在机器人定位、导航系统中表现良好，但对强非线性系统的近似误差较大。

无迹卡尔曼滤波(UKF)采用无迹变换处理非线性问题。不同于EKF的线性化方法，UKF通过精心选取的sigma点捕获非线性变换后的统计特性，精度通常优于EKF，且无需计算雅可比矩阵。

粒子滤波(PF)采用蒙特卡洛方法，用一组带权重的粒子近似表示状态分布。这种非参数化方法特别适合多模态分布和非高斯噪声场景，但存在粒子退化问题，通常需要重采样技术。

无迹粒子滤波(UPF)结合了UKF和PF的优势。它使用UKF生成重要性采样分布，改善粒子滤波的采样效率。UPF在保持粒子滤波处理强非线性能力的同时，通过无迹变换提高了粒子质量，适用于复杂非线性系统的状态估计。