状态估计用卡尔曼还是粒子

本文目录导读：

1. 卡尔曼滤波（KF）及其变体
2. 粒子滤波（PF）
3. 如何选择？决策流程图
4. 总结表
5. 最后建议

这是一个很好的问题,选择卡尔曼滤波（KF）还是粒子滤波（PF）进行状态估计，核心取决于系统的动态特性和计算资源。

系统是线性的、噪声是高斯的，用卡尔曼；系统是非线性的，用扩展卡尔曼或无迹卡尔曼；如果再复杂（强非线性、多峰分布、非高斯噪声），就用粒子滤波。

下面为你详细对比,并给出具体的决策流程：

卡尔曼滤波（KF）及其变体

包括标准卡尔曼滤波（KF）、扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）。

• 核心假设：
  • 系统模型（状态转移方程）和观测模型（测量方程）是线性的（对于KF）。
  • 过程噪声和观测噪声都服从高斯分布（对于所有）。
• 工作原理：
  • 它通过“预测-更新”两步走，核心是维护一个高斯分布（均值和协方差矩阵），这个分布完美地代表了系统在当前时刻的置信状态。
  • 对于非线性系统,EKF通过一阶泰勒展开线性化，UKF通过确定性的sigma点采样来近似非线性变换。
• 优点：
  • 计算效率极高：尤其是KF，计算复杂度为 (O(L^3))，其中L是状态维度，在嵌入式系统、机器人实时控制中非常实用。
  • 理论成熟，有严格的证明和可调参数（协方差矩阵Q、R）。
  • 如果模型恰好满足假设,效果是最优的（最小均方误差）。
• 缺点：
  • 对非线性效果不佳：EKF在一阶近似下会引入误差，甚至导致发散，UKF稍好，但对强非线性（如突变、多峰分布）仍然无能为力。
  • 只能处理单峰分布：它假设状态的后验概率是高斯分布，如果系统是多模态的（比如处于多个可能位置），卡尔曼滤波无法表示，会“平均”出一个错误位置。

粒子滤波（PF）

• 核心假设：
  • 几乎不依赖线性或高斯假设,可以处理任意非线性、任意非高斯噪声的系统。
• 工作原理：
  • 用一个大量随机样本（粒子）的集合（及其权重）来近似状态的后验概率分布。
  • 每个粒子代表系统的一个可能状态,随着时间推移，通过“重要性采样-重采样”流程，粒子逐渐聚集到最可能的状态区域。
• 优点：
  • 极其灵活：能处理复杂的非线性运动、非高斯噪声（如重尾噪声）、多峰分布（目标被遮挡后，粒子会分布在可能的多个出口处）。
  • 鲁棒性：对模型误差和初始误差的容忍度较高。
• 缺点：
  • 计算成本高昂：需要大量粒子（通常几百到数万个）才能保证精度，维度越高，需要的粒子数呈指数增长（维度灾难）。
  • 粒子退化/贫化：经过几次重采样后，大部分粒子会聚集到一个点，失去多样性，导致精度下降，需要额外的技巧（如正则化、MCMC移动）来缓解。
  • 调参困难：粒子的数量、重采样策略、提议分布的选取等都需要经验。

如何选择？决策流程图

你可以按以下顺序思考：

1. 系统是线性的吗？

   • 是： → 使用 标准卡尔曼滤波（KF），这是最简单、最快、最优解。
   • 否： → 考虑非线性。

2. 非线性程度有多强？（或噪声是高斯吗？）

   • 较弱（通常指运动模型、测量模型可以用一二阶导数近似，且噪声是高斯）： → 使用 扩展卡尔曼滤波（EKF） 或 无迹卡尔曼滤波（UKF）。UKF比EKF更精确，对非线性的适应性更强，计算量稍大但可以接受，推荐优先尝试UKF。
   • 很强（如跳跃、突变、多峰分布，或噪声明显非高斯）： → 使用 粒子滤波（PF）。

3. 计算资源是否允许？

   • 计算资源紧张（如单片机、手机）： → 尝试 UKF，如果UKF在测试中发散，再考虑轻量级粒子滤波（减少粒子数），但要做好精度下降的准备。
   • 计算资源充裕（如服务器、PC）： → 优先选 粒子滤波，它是最灵活和鲁棒的通用工具。

4. 状态维度有多高？

   • 维度低（如1-3维）： 卡尔曼滤波和粒子滤波都适合，粒子滤波的优势更明显。
   • 维度高（如5-10维以上）： 优先选卡尔曼滤波，粒子滤波在高维时会面临严重的维度灾难，效果往往不如UKF，高维情况下，如果必须用粒子，需结合边缘化等技巧。

总结表

最后建议

• 新手入门：先尝试UKF，它适应性广，调参相对简单，文档和库也最多。
• 保底方案：如果UKF调了很久效果依然很差（比如出现“飞点”或发散），果断换粒子滤波。
• “黄金铁三角”：很多实际项目会用UKF + PF的混合形式（如RBPF，Rao-Blackwellized Particle Filter，降噪粒子滤波），用卡尔曼处理线性部分，用粒子处理非线性部分，兼顾效率和精度。

一句话决策：能用KF的地方不要用PF，因为快；KF（包括EKF/UKF）搞不定的时候，再试试PF。