一句话定义：粒子滤波（Particle Filter）是一种用大量带权重的随机样本（叫"粒子"）来表示概率分布的算法，专门用来在非线性、非高斯（non-Gaussian）的动态系统里做状态估计。
打个比方：黑楼里找人的一千个分身
假设有人在漆黑的商场里走丢了。你不知道他在哪，只有一个模糊的猜测："大概在三楼，可能靠近电梯"。
于是你派出一千个虚拟分身，每个分身代表一种"他可能在这"的假设。接下来循环三步：
1. 预测：每个分身按常识往前走一步——他大概会往出口方向走，但可能被柜台挡住，所以你给每个分身加一点随机扰动。
2. 更新：这时监控捕捉到一个模糊影子。离影子近的分身更可能猜对，权重（weight）调高；离得远的权重调低。
3. 重采样（resampling）：把权重低的淘汰掉，让权重高的分身"繁殖"出新的分身，再各加一点扰动。
重复几轮后，这一千个分身会聚集成几团——可能集中在自动扶梯口，也可能分散在三个出口。这些抱团的分布，就是你对"他在哪"的估计。粒子滤波做的就是这件事：用样本的密度和权重，去逼近一个说不清形状的概率分布。
它和卡尔曼滤波差在哪
卡尔曼滤波（Kalman Filter）也做状态估计，但它默认系统是线性的、噪声是高斯的——这种分布像一个规规矩矩的钟形山包，用"均值 + 方差"就描述清楚了。现实往往没这么乖：目标在遮挡下可能有两个位置，噪声可能带尖峰。这时候钟形假设直接崩掉，而粒子滤波不假设分布长什么样。
| 维度 | 卡尔曼滤波类 | 粒子滤波 |
|---|---|---|
| 分布假设 | 线性、高斯 | 任意形状，允许双峰 |
| 状态表示 | 均值 + 协方差 | 一堆带权重的样本 |
| 计算开销 | 低、稳定 | 高，随粒子数增长 |
| 典型场景 | 平滑轨迹跟踪 | 机器人定位、遮挡跟踪 |
对做事的实际意义
粒子滤波最出名的落地是机器人领域的蒙特卡洛定位（Monte Carlo Localization）：机器人在激光雷达地图里撒粒子，走得越久位置越确定。此外还有视觉多目标跟踪、SLAM、金融时序、以及统计里的序列蒙特卡洛（Sequential Monte Carlo，SMC）。
落地时最常被问的两件事是粒子数和重采样策略：粒子太少精度不够，太多算不动；不重采样会"粒子退化"——所有重量压在一两个样本上；重采样太狠又会"样本贫化"，多样性没了。另外，粒子之间彼此独立，天然适合并行到 GPU 上。具体框架和库的实现细节，以官方页面为准。
一句话记住它：当解析解算不动时，就让一群带权重的猜测去投票。