Bayesian
粒子濾波器（順序蒙特卡洛）和卡爾曼濾波器有什麼區別？
粒子濾波器和卡爾曼濾波器都是遞歸貝葉斯估計器。我經常在我的領域遇到卡爾曼濾波器，但很少看到粒子濾波器的用法。
什麼時候會使用一個而不是另一個？
來自 Dan Simon 的“最優狀態估計”：
在具有高斯噪聲的線性系統中，卡爾曼濾波器是最優的。在非線性系統中，卡爾曼濾波器可用於狀態估計，但粒子濾波器可能會以額外的計算工作量為代價提供更好的結果。在具有非高斯噪聲的系統中，卡爾曼濾波器是最優的線性濾波器，但同樣粒子濾波器的性能可能更好。無跡卡爾曼濾波器(UKF) 在卡爾曼濾波器的低計算量和粒子濾波器的高性能之間提供了平衡。
粒子濾波器與 UKF 有一些相似之處，它通過已知的非線性方程對一組點進行變換，並結合結果來估計狀態的均值和協方差。然而，在粒子濾波器中，點是隨機選擇的，而在 UKF 中，點是根據特定算法選擇的*。因此，粒子濾波器中使用的點數通常需要遠大於 UKF 中的點數。兩個濾波器之間的另一個區別是，UKF 中的估計誤差在任何意義上都不會收斂到零，但粒子濾波器中的估計誤差確實會隨著粒子數（以及因此計算工作量）接近無窮大而收斂到零。
*無跡變換是一種計算隨機變量的統計量的方法，該隨機變量經過非線性變換並使用直覺（也適用於粒子濾波器），即近似概率分佈比近似任意非線性更容易功能或轉換。另請參閱此示例，了解如何在 UKF 中選擇這些點。”