课程导论与背景：为什么需要粒子滤波？
大家好，我是你们这门课的主讲。在正式开始之前，我想先聊聊一个很实际的问题：为什么我们放着成熟的卡尔曼滤波不用，非要学这个听起来就复杂的粒子滤波？
说实话，我刚开始做定位算法那会儿，也觉得卡尔曼滤波是万能的。直到有一次，我在一个地下车库的项目里栽了跟头——传感器数据里突然冒出一堆奇怪的跳变，卡尔曼滤波直接发散，定位轨迹飞到了墙外面。嗯，那次之后我才真正意识到，高斯假设在现实世界里有多脆弱。
非高斯噪声的挑战
你想想看，我们教科书里讲的卡尔曼滤波，核心假设是什么？噪声必须是高斯分布的。但现实世界呢？
- 激光雷达被灰尘遮挡，产生一堆离群点
- GPS信号在城市峡谷里多路径反射，误差不再是正态分布
- IMU在剧烈运动时，零偏漂移完全随机
这些场景下，噪声的分布可能是重尾的、多峰的，甚至是非对称的。卡尔曼滤波只用一个均值和方差去描述，说白了就是用一个圆去套一个不规则形状——能套住才怪。
核心问题：当噪声分布偏离高斯假设时，卡尔曼滤波的估计结果会严重偏离真实值，甚至发散。
我在一个AGV（自动导引车）项目里遇到过更头疼的情况。车间地面有金属碎屑，导致磁导航传感器的读数时不时出现大脉冲。卡尔曼滤波对这种非高斯噪声毫无抵抗力，每次脉冲一来，位置估计就跳一下。后来我改用粒子滤波，虽然计算量大了点，但鲁棒性明显提升。
粒子滤波的核心思想
粒子滤波的思路其实很朴素：用一堆随机样本（粒子）去近似概率分布。每个粒子代表一个可能的状态，粒子的权重代表这个状态的可信度。
为什么会这样？因为当分布不是高斯的时候，你没法用一个简单的公式去描述它。但你可以用足够多的样本点去"画"出它的形状。样本越多，近似越准。
我的个人习惯：在开始写粒子滤波代码前，先画一张图——把真实分布和粒子分布画在一起。看到粒子逐渐"包围"真实状态的过程，你会对算法有更直观的理解。
课程目标
这门课的目标很明确：让你能真正用粒子滤波解决实际问题，而不是停留在理论推导上。
| 目标 | 具体内容 |
|---|---|
| 理解原理 | 掌握重要性采样、重采样、序贯蒙特卡洛等核心概念 |
| 动手实现 | 从零搭建粒子滤波框架，处理非高斯噪声 |
| 实战应用 | 在机器人定位、目标跟踪等场景中部署粒子滤波 |
| 避坑指南 | 了解粒子退化、样本贫化等常见问题及解决方案 |
我曾经带过一个实习生，他花了两周时间看理论，结果写代码时连粒子初始化都搞错了。所以我建议你：边学边写，哪怕一开始写得很丑。代码跑起来的那一刻，很多概念自然就通了。
前置知识
要跟上这门课，你需要具备以下基础：
- 概率论基础：贝叶斯公式、条件概率、期望与方差
- 线性代数：矩阵运算、向量空间
- 基本编程能力：Python或C++，能看懂循环和数组操作
- 卡尔曼滤波基础：了解状态预测和更新过程（不是必须，但有帮助）
注意：如果你对贝叶斯公式还不太熟，建议先花半小时复习一下。粒子滤波的整个推导都建立在贝叶斯框架上，这块基础不牢，后面会越听越懵。
嗯，这里还要提一句。很多教材喜欢一上来就扔公式，把粒子滤波讲得像天书一样。我的风格是：先讲直觉，再讲数学。你只要理解了"用一堆点去拟合分布"这个核心思想，后面的公式推导其实都是顺理成章的事。
好了，背景铺垫就到这里。下一章我们直接进入粒子滤波的数学框架，我会用一个简单的例子带你走一遍完整的流程。到时候你会发现，粒子滤波其实没那么神秘——它就是一个用样本去逼近贝叶斯滤波的过程。
准备好了吗？我们开始吧。