这是介绍机器人定位算法的第四篇-粒子滤波。相对之前提到的卡尔曼滤波，它没有线性高斯分布的假设；相对于直方图滤波，它不需要对状态空间进行区间划分。
粒子滤波的思想
粒子滤波算法采用很多粒子对置信度bel(x(t))进行近似,每个粒子都是对t时刻机器人实际状态的一个猜测。
越接近t时刻的正确状态描述的粒子，生成的概率越大。
粒子更新的过程类似于达尔文的自然选择机制，与当前Sensor测量状态越匹配的粒子，有更大的机会生存下来，与Sensor测量结果不符的粒子会被淘汰掉，最终粒子都会集中在正确的状态附近。
粒子滤波算法
计算的过程与递归贝叶斯算法相似。
粒子滤波算法的应用
以1维空间机器人的运动为例