SLAM学习笔记——贝叶斯滤波（非参数滤波篇）

非参数滤波可以模拟非线性情况，主要介绍两种滤波，直方图滤波和粒子滤波，后者被广泛应用于机器人学中。

可以对比一下连续贝叶斯滤波，我在连续贝叶斯滤波中就是按照离散来讲的，离散应该更好理解。

将先验概率用直方图分段，利用积分求出每个分段平均值和概率代表一个离散的状态，利用离散贝叶斯滤波和转移方程，求出后验概率。

动态分解就是概率越高，分的越密

用无数粒子表示状态，概率越密集，采样越密集

直接看伪代码

输入分别是上一时刻的粒子群，控制数据，观测数据，X就代表了bel3-7计算 b e l ‾ overline{bel} bel，同时利用每个点产生观测结果的概率计算出每个粒子的重要性 ω omega ω，这些更新后的点组成 b e l ‾ overline{bel} bel，重要性放在后面重采样起作用由于之前的例子在经过非线性变化后，可能存在在概率非常低（由观测数据计算出）的地方密度很高，这些点在后面起到作用很小，但是仍然耗费大量计算量。所以根据重要性进行重采样，，保持粒子的总个数，但是概率和p(z|t)成正比。