$$ p（r_t，s_t | y ^ t ）$$
我不太确定这个结论，所以我想知道这两种过滤器之间的确切区别。提前谢谢。
#1 楼
如您在问题中所述，饶-布莱克威尔粒子滤波器（RBPF）对状态空间的概率分布进行边际化。粒子过滤器使用采样来表示状态空间的多元概率分布。首先，使用样本表示分布只是一个近似值，其次在大多数情况下效率不高。状态的维数越高，所需的粒子越多。 Doucet等人介绍的一种技巧。是边缘化状态空间的一个子集，可以使用高斯表示以更有效的方式对其进行处理。
这些来自我论文的数据可能有助于形象化该概念。假设您在$ X $和$ Y $上有一个联合分布
而不是在$ X $和$ Y $上共同采样，我们可以将$ Y边缘化$并将其表示为高斯分布。这样，我们只需要对$ X $，
进行采样，效率更高。请注意，每个样本现在代表超过$ Y $的分布。
这种边际化在SLAM中非常流行。原因是对位置和地图进行联合采样是不切实际的。 RBPF理念已在FastSLAM中广为流行，因为意识到从联合分布中边缘化地图会使问题易于解决。如上例所示，每个粒子代表一个姿势，对应关系和一个映射。因此，每个粒子只有一个映射。统计。关于Rao-Blackwellization部分的数学背景，我还有另一个相关问题。
#2 楼
第151页应该有帮助，https://users.aalto.fi/~ssarkka/pub/cup_book_online_20131111.pdf
其中u是样本（没有重量的粒子）
评论
$ \ begingroup $
书中很好的解释。对于答案，最好至少总结一下链接的内容，因为它可能不会永远存在。
$ \ endgroup $
–雅各布
17年4月27日在9:31
评论
您是在问Rao-Blackwellized粒子过滤器如何在大满贯中发挥作用吗？常规过滤器是什么意思？