Answers:
摘自丹·西蒙（Dan Simon）的“最佳状态估计”：
“在具有高斯噪声的线性系统中，卡尔曼滤波器是最佳的。在非线性系统中，卡尔曼滤波器可用于状态估计，但是粒子滤波器可能会以额外的计算工作为代价提供更好的结果。在非高斯噪声的系统中，卡尔曼滤波器是最佳的线性滤波器，但粒子滤波器的性能仍然更好，无味卡尔曼滤波器（UKF）在卡尔曼滤波器的低计算量和高性能之间取得了平衡。粒子过滤器。”
“粒子滤波器与UKF的相似之处在于，它通过已知的非线性方程式变换一组点，并结合结果以估计状态的均值和协方差。但是，在粒子滤波器中，这些点是随机选择的，而在UKF的点是根据特定算法*****选择的，因此，粒子过滤器中使用的点数通常需要比UKF中的点数大得多。这两个过滤器的区别在于UKF中的估计误差在任何意义上都不会收敛到零，但是粒子过滤器中的估计误差确实会收敛到零，因为粒子的数量（以及计算量）接近无穷大。
*****无味变换是一种计算经过非线性变换并使用直觉（也适用于粒子滤波器）的随机变量统计量的方法，该直觉比近似概率分布更容易近似任意非线性函数或变换。另见本为一体的点是如何在UKF选择的例子“。
自从1993年问世以来，粒子滤波器已成为解决非线性非高斯场景中最佳估计问题的一种非常流行的数值方法。与标准的近似方法（例如流行的扩展卡尔曼滤波器）相比，粒子方法的主要优点是它们不依赖于任何局部线性化技术或任何粗函数近似。这种灵活性必须付出的代价是计算上的：这些方法在计算上昂贵。但是，由于不断增加的计算能力的可用性，这些方法已经用于化学工程，计算机视觉，金融计量经济学，目标跟踪和机器人技术等领域的实时应用中。此外，
简而言之，粒子滤波器更具弹性，因为它不假设数据中存在噪声的线性和高斯性质，但计算量更大。它通过创建（或绘制）和加权随机样本而不是像高斯分布中的均值和协方差矩阵来表示分布。