高翔总结
KF（卡尔曼滤波）
线性系统，高斯噪声
预测：从上一时刻的状态，根据输入信息预测当前时刻的状态分布，计算系统状态预测值的协方差（先验）
计算卡尔曼增益Kg
更新：然后更新系统状态，再计算系统状态估计值的协方差(后验)，为下一次迭代做准备
EKF（extended kalman filter，扩展卡尔曼滤波）
将非线性进行线性化（泰勒展开），然后再做KF。
存在着精度不高、稳定性差、对目标机动反应迟缓等缺点.
UKF（Unscented Kalman Filter，无迹/无损卡尔曼滤波）
通过无损变换使非线性系统方程适用于线性假设下的标准Kalman滤波体系,而不是像EKF那样,通过线性化非线性函数实现递推滤波。
UKF是对非线性函数的概率密度分布进行近似，用一系列确定样本来逼近状态的后验概率密度，而不是对非线性函数进行近似，不需要求导计算Jacobian矩阵。
PF（粒子滤波）
粒子集初始化
计算每个粒子的权重，归一化之后确定目标状态
计算状态估计值
重要性重采样
- 初始化阶段——计算目标特征，比如人体跟踪，就是人体区域的颜色直方图等，n*1的向量；
- 搜索化阶段——放警犬(采样大量粒子，用来发现目标)，可以 均匀的放置/按目标中心高斯分布放置；——狗鼻子发现目标，按照相似度信息，计算警犬距离目标的权重，并归一化；
- 决策化阶段——收集信息，综合信息，每条小狗有一个位置信息和一个权重信息，我们进行 加权求和得到目标坐标；
- 重采样阶段——去掉一些跑偏的警犬，再放入一些警犬，根据权重信息，将权重低的警犬调回来，重新放置在权重高的地方；根据重要性重新放狗
2-> 3-> 4-> 2
粒子滤波(PF: Particle Filter)的思想基于蒙特卡洛方法(Monte Carlo methods)，它是利用粒子集来表示概率，可以用在任何形式的状态空间模型上。
以样本均值代替积分运算，从而获得状态最小方差分布的过程。这里的样本即指粒子,当样本数量N→∝时可以逼近任何形式的概率密度分布。
摆脱了解决非线性滤波问题时随机量必须满足高斯分布的制约，能表达比高斯模型更广泛的分布，也对变量参数的非线性特性有更强的建模能力。
BF（贝叶斯滤波）
器人传感器获取的观测数据，利用Bayes公式（概率论）去估计机器人的状态。
非线性系统，随机噪声