粒子过滤器，也称为序贯蒙特卡洛方法，是一类用于求解非线性状态空间系统滤波问题近似解的算法集合。这些技术应用于信号处理和贝叶斯统计推断等领域。滤波问题涉及在仅有部分观测可用且传感器和系统本身均受随机扰动影响时，估计动态系统的内部状态。核心目标是在给定含噪且不完整的观测条件下，计算马尔可夫过程状态的后验分布。
“粒子过滤器”一词最早由Pierre Del Moral于1996年提出，指的是自20世纪60年代初以来用于流体力学的平均场相互作用粒子方法。“序贯蒙特卡洛”一词则由Jun S. Liu和Rong Chen于1998年分别提出。粒子过滤采用一组粒子（即样本）来表示随机过程的后验分布。状态空间模型可以是非线性的，初始状态和噪声分布可以采用任何所需形式。该方法提供了一种成熟的生成目标分布样本的途径，无需对模型或状态分布施加限制性假设。
核心方法
粒子过滤器以近似、统计的方式更新其预测。每个粒子携带一个似然权重，表示其从系统状态底层概率密度函数中被抽取的概率。一个常见挑战是权重坍缩，即少数粒子主导分布。此问题通过重采样步骤缓解，该步骤将权重可忽略的粒子替换为靠近高权重粒子的新粒子，通常由自适应标准（如权重方差或相对熵）触发。
粒子过滤器的数学基础在于将滤波问题解释为Feynman-Kac路径积分模型。这些技术起源于分子化学和计算物理学，早期贡献来自Theodore E. Harris、Marshall N. Rosenbluth和Arianna W. Rosenbluth。在计算物理学中，这些方法也用于量子蒙特卡洛，特别是扩散蒙特卡洛方法。Feynman-Kac相互作用粒子方法与进化计算中使用的遗传算法密切相关。
背景与动机
滤波问题涉及在观测部分且受噪声污染（包括传感器和系统动力学）时估计动态系统的内部状态。目标是在给定观测条件下计算状态的后验分布，这需要递归贝叶斯估计。对于线性和高斯模型，卡尔曼滤波器提供精确解。然而，对于许多现实世界系统，动力学和观测模型是非线性或非高斯的。
1984年，Mireille Chaleyat-Maurel和Dominique Michel证明，除线性高斯模型或某些更广泛类别外，后验分布序列不承认有限维递归。这一结果意味着精确解通常不可用，必须采用近似数值方法。传统方法，包括网格近似、马尔可夫链蒙特卡洛、扩展卡尔曼滤波器或线性化模型，在处理大规模系统、不稳定过程或强非线性动力学时往往面临困难。
算法与重采样
粒子过滤器维护一组粒子，每个粒子表示一个可能状态，并附带一个与给定观测下该状态似然成比例的权重。算法迭代进行：预测阶段，粒子根据系统动力学演化；更新阶段，基于新观测调整权重；重采样阶段，用高权重粒子的副本替换低权重粒子，以防止权重坍缩。
权重坍缩发生在少数粒子积累大部分概率质量时，导致表示退化。为缓解此问题，当权重方差或权重分布的相对熵超过阈值时执行重采样。在重采样期间，权重可忽略的粒子被丢弃，并在高权重粒子周围生成新粒子，这涉及Machine learning方法。此步骤引入一定近似，但对于随时间保持多样性和准确性至关重要。
理论基础
从统计角度看，粒子过滤器可解释为Feynman-Kac概率测度的平均场粒子解释。这些技术起源于分子化学和物理学。早期贡献包括Theodore E. Harris和Herman Kahn在1951年的工作，以及Rosenbluth夫妇在1955年的工作，他们在量子蒙特卡洛模拟中使用了此类方法。1948年，Enrico Fermi和Robert Richtmyer开发了与这些方法相关的平均场粒子解释。相关遗传类型算法由Alan Turing在1950年和1954年探索，以及Nils Aall Barricelli在20世纪50年代初于普林斯顿高等研究院探索。John Hammersley在1954年提出的“穷人蒙特卡洛”方法也包含现代粒子过滤思想的先驱。
应用与方法
粒子过滤器广泛用于Artificial intelligence、信号处理和贝叶斯统计推断等领域。它们特别适合估计隐马尔可夫模型中的状态，其中底层动力学和噪声分布是非高斯的。常见应用包括目标跟踪、机器人定位和金融风险分析。在Machine learning中，粒子方法出现在序贯数据分析和稀有事件采样中。
在计算物理学和分子化学中，这些技术应用于量子蒙特卡洛及相关问题。在生物学中，它们模拟种群动态和遗传进化。这些方法还用于系统发育学、药代动力学和定量风险评估。
与其他方法的关系
粒子过滤器不同于传统技术，如扩展卡尔曼滤波器（线性化非线性动力学）或无迹卡尔曼滤波器（通过sigma点近似分布）。虽然这些方法依赖高斯假设，但粒子过滤器没有此类限制。然而，它们在非常高维系统中表现不佳，所需粒子数随维度呈指数增长，这一现象有时称为维度灾难。已开发出辅助粒子过滤器和无迹粒子过滤器等变体，以解决特定应用中的低效问题。
应用
粒子过滤器的多功能性使其被广泛采用于众多领域。它们用于信号和图像处理、机器人和自主导航、目标跟踪以及计算机视觉。在机器学习和Artificial intelligence中，它们作为时间模型近似推断的工具。它们还应用于生物信息学、系统发育学、经济学、稀有事件采样和药代动力学。Waymo和Tesla等公司已探索将粒子过滤技术用于自动驾驶系统中的车辆状态估计，尽管现代实现通常将其与Deep learning方法结合。
发展与局限性
粒子过滤器的理论基础可追溯到20世纪50年代在物理学和化学中发展的平均场相互作用粒子方法，包括Alan Turing关于遗传类型学习机器的早期工作以及Nils Aall Barricelli的贡献。John Hammersley及其同事在1954年提出的“穷人蒙特卡洛”方法包含现代遗传类型粒子过滤器的元素。在计算物理学中，从Enrico Fermi和Robert Richtmyer在1948年的工作发展而来的量子蒙特卡洛和扩散蒙特卡洛方法，也依赖于Feynman-Kac路径积分的相互作用粒子近似。
进化计算研究者，特别是John Holland在20世纪70年代初，独立开发了类似的遗传算法，作为启发式工具。在统计学中，第一个正式粒子过滤器由Neil Gordon、David Salmond和Adrian Smith于1993年引入，称为自助过滤器。随后出现重大改进，包括Michael Pitt和Neil Shephard在1999年提出的辅助粒子过滤器，以及Rao-Blackwellized粒子过滤器，后者通过边缘化部分状态变量来提高效率。这些方法仍是现代序贯贝叶斯推断的基石。
应用
粒子过滤器广泛应用于众多领域。在信号处理和图像分析中，它们用于目标跟踪和计算机视觉。在机器人学中，它们实现同步定位与地图构建（SLAM），如Tesla和Cruise系统。在经济学和金融学中，它们支持风险分析和稀有事件采样。在生物信息学中，它们应用于系统发育学，在药代动力学中，它们帮助建模药物吸收和分布。它们还出现在计算生物学、稀有事件模拟和定量风险评估中。
这些方法在Artificial intelligence中对于状态估计任务特别有价值，例如在Waymo和其他自动驾驶车辆系统中，精确跟踪位置和环境至关重要。它们还与神经网络中用于序列建模的技术相关。
局限性与扩展
粒子过滤器的一个关键局限性是在高维状态空间中的性能。所需粒子数随状态维度呈指数增长，导致实际约束。此问题推动了结合粒子方法与Deep learning或无迹变换的混合方法研究。在Robotics中，粒子过滤器广泛用于蒙特卡洛定位，而在金融领域，它们支持风险分析和稀有事件模拟。该方法还应用于生物信息学、系统发育学和经济学。
相关方法与变体
几种变体解决了特定缺陷。序贯重要性重采样是一种常见实现，在每次迭代中包含重采样步骤。辅助粒子过滤器改进了提议分布，而Rao-Blackwellized粒子过滤器通过边缘化线性子结构来减少方差。集成卡尔曼滤波器可视为高斯近似的特例。有时会与Deep learning方法进行比较，但粒子过滤器在其概率公式和理论保证方面保持独特。
应用
该方法在众多领域找到应用。在信号和图像处理中，粒子过滤器跟踪视频序列中的对象。在工程和机器人学中，它们支持同步定位与地图构建（SLAM），用于自动驾驶车辆等系统。在生物信息学中，它们应用于系统发育推断和基因表达分析。经济学和金融学使用它们进行随机波动率模型中的状态估计。定量风险评估和稀有事件采样也受益于这些技术。虽然高维问题仍具挑战性，但粒子过滤器继续作为非线性、非高斯状态估计的灵活且广泛使用的工具。
参见
- Machine learning，了解学习算法的更广泛背景
- Artificial intelligence，了解相关应用
参考文献
主要来源包括Pierre Del Moral关于平均场粒子方法的著作，以及Chaleyat-Maurel和Michel在1984年建立的数学基础。统计计算文献中提供了实用综述。