目錄

粒子濾波的主要流程可以分為以下 5 個步驟：

粒子濾波（PF） vs. ESKF（誤差狀態卡爾曼濾波）

粒子濾波的主要流程可以分為以下 5 個步驟：

1. 初始化（Initialization）

   • 生成 N 個粒子，每個粒子代表 狀態空間中的一個可能位置，并初始化權重。

   • 初始狀態可能來自先驗分布，或者均勻分布。

2. 預測（Prediction, 運動更新）

   • 使用系統的運動模型（如卡爾曼運動模型、慣性導航）來 預測粒子的新狀態。

   • 由于運動不確定性，加入 隨機噪聲（如高斯噪聲） 以模擬真實運動。

3. 更新（Update, 觀測更新）

   • 計算每個粒子的觀測概率（即權重），權重表示粒子與觀測數據的匹配程度，通常用誤差大小來映射權重大小。

   • 權重越大，說明該粒子更可能代表真實狀態。

4. 重采樣（Resampling）

   • 高權重粒子有更高的概率被保留，而低權重粒子可能被淘汰。

   • 采用 低方差重采樣（Low Variance Resampling） 或 多項式重采樣（Multinomial Resampling）。

5. 估計（Estimate）

   • 計算最終的狀態估計（通常使用加權均值）。

   • 進入下一輪循環，重復 預測 → 更新 → 重采樣 過程

---

粒子濾波相比較于ESKF的優缺點：

在 機器人定位、自動駕駛、SLAM 等任務中，粒子濾波（Particle Filter, PF） 和 誤差狀態卡爾曼濾波（Error-State Kalman Filter, ESKF） 是兩種常見的狀態估計算法。它們各有優缺點，適用于不同的應用場景。

1?? 粒子濾波（PF）的特點

? 優點

• ? 適用于非線性、非高斯系統：

粒子濾波不假設系統是線性、高斯的，適用于高度非線性和非高斯噪聲的環境。

• ? 能夠處理多模態分布：

適用于存在多種可能狀態的情況，例如多路徑問題（機器人可能在多個位置）。

• ? 適用于全局定位（Global Localization）：

可以在初始位置未知時進行全局搜索，而EKF 只能用于增量更新。

• ? 可以直接結合傳感器數據：

可以直接使用激光雷達（LiDAR）、視覺（Camera）、IMU 等傳感器數據進行估計，而不需要嚴格的線性化處理。

---

? 缺點

• ? 計算量大，實時性差：

需要大量粒子來表示狀態分布，計算復雜度 O(N)O(N)O(N) 較高，不適用于高頻狀態更新。

• ? 容易退化（Degeneracy）：

若粒子數不足，可能會導致低權重粒子占比過高，降低濾波效果。

需要低方差重采樣來緩解退化問題。

• ? 難以調整粒子數：

粒子數目要根據問題復雜度調整，過少會影響精度，過多會降低計算效率。

---

2?? 誤差狀態卡爾曼濾波（ESKF）的特點

? 優點

• ? 計算效率高，適用于高頻更新：

計算復雜度 O(n2)O(n^2)O(n2)，遠低于粒子濾波的 O(N)O(N)O(N)，適用于實時性要求高的應用（如自動駕駛）。

• ? 狀態維度較高時表現優異：

適用于高維狀態估計（如 IMU + 輪速 + GNSS 融合），不會因狀態維度增加導致計算量急劇上升。

• ? 誤差建模更加精確：

ESKF 采用誤差狀態方程，避免了直接估計全局狀態的不穩定性，使得濾波更加穩定。

• ? 適用于增量式定位（Incremental Localization）：

適用于車輛 里程計（Odometry）+ IMU 的方案，例如慣性導航系統（INS）。

---

? 缺點

• ? 要求系統近似線性 & 高斯噪聲：

適用于 高斯噪聲和小范圍非線性系統，但對于強非線性、高噪聲系統，效果較差。

• ? 無法處理全局定位（Global Localization）：

只能進行增量更新，無法全局搜索。

如果初始位置不準，可能會發散。

• ? 難以處理多模態分布：

不能有效處理多種可能狀態（如雙重解），只能跟蹤單個高斯分布的狀態。

• ---

  3?? 什么時候選擇 PF vs. ESKF？

  需求	選擇 PF	選擇 ESKF
  非線性系統	? 適用于強非線性	? 僅適用于小范圍非線性
  非高斯噪聲	? 適用	? 不適用
  全局定位（Global Localization）	? 適合（機器人初始化時位置未知）	? 只能做局部跟蹤
  計算資源受限	? 計算量大	? 計算效率高
  實時性（高頻更新）	? 更新較慢	? 適用于高頻 IMU+里程計
  狀態維度較高（如IMU+LiDAR+GNSS融合）	? 計算量過大	? 適用于高維狀態
  多模態分布（如多路徑問題）	? 適用于多種可能狀態	? 只能跟蹤單個解

  ---

  4?? 具體應用案例分析

  ? 適合使用 PF 的場景

• 機器人全球定位（Global Localization）
• 機器人不知道自己在哪，通過激光雷達、地圖匹配來確定位置。
• 需要遍歷整個狀態空間，因此使用粒子濾波。
• 自動駕駛中的地圖匹配（Map Matching）
• 車輛可能有多條可能行駛路線，需要考慮多個假設，因此適合用 PF。
• 激光雷達（LiDAR）+ 視覺（Camera）融合
• LiDAR & Camera 數據通常具有非高斯噪聲，適合用 PF 處理。

• ---

  ? 適合使用 ESKF 的場景

• 慣性導航（INS）+ GNSS 組合導航

  • IMU 數據是高頻更新，EKF 計算效率更高，適用于高維狀態估計。

  • 誤差狀態建模能夠提高精度，適用于 IMU + GNSS + 輪速編碼器 組合方案。

• ---

  5?? 結論

• 粒子濾波（PF）：適用于全局定位、多模態分布、非高斯噪聲系統，但計算量較大，適合低頻更新。

• 誤差狀態卡爾曼濾波（ESKF）：適用于增量式定位、高維狀態、高頻 IMU 更新，計算效率高，但難以處理全局定位和多模態分布。

• 🔹 一句話總結：

  • 如果已知初始位置，且需要高頻更新，選 ESKF。

  • 如果初始位置未知，或可能有多個可能狀態，選 PF。

  • 若計算資源有限，優先選 ESKF。

  • 如果非線性和非高斯問題較強，選 PF。

• 車輛定位（基于里程計 + IMU）

  • 適用于 增量式定位（Incremental Localization）。

  • ESKF 可以處理 IMU + 里程計（Odometry）+ GNSS 組合，提供高精度定位。

• 自動駕駛的高精度定位（High-Precision Localization）

  • 如高精地圖匹配（HD-Map Matching），基于 IMU + GNSS + 輪速。

  • 需要實時性高、精度高的濾波方法，ESKF 計算量低，適合用在自動駕駛場景。