Filter Partikel Rao-Blackwellized (RBPF) seperti yang Anda katakan dalam pertanyaan Anda melakukan marginalisasi distribusi probabilitas ruang negara Anda.
Filter partikel menggunakan pengambilan sampel untuk mewakili distribusi probabilitas multivarian dari ruang keadaan Anda. Menggunakan sampel untuk mewakili distribusi pertama-tama hanya perkiraan, dan yang kedua tidak terlalu efisien dalam banyak kasus. Semakin tinggi dimensi negara, semakin banyak partikel yang Anda butuhkan. Salah satu trik yang diperkenalkan oleh Doucet et al. adalah untuk meminggirkan bagian dari ruang negara, yang dapat ditangani dengan cara yang lebih efisien dengan menggunakan representasi Gaussian.
XY
XYYX
Y
Marginalisasi ini sangat populer di SLAM. Alasannya adalah bahwa pengambilan sampel bersama atas posisi dan peta tidak praktis. Gagasan RBPF telah dipopulerkan di FastSLAM, menyadari bahwa memarginalkan peta dari distribusi bersama membuat masalah dapat diselesaikan. Seperti pada contoh di atas, setiap partikel di sana mewakili pose, korespondensi, dan peta. Jadi ada satu peta per partikel.
Jadi perbedaan antara RBPF dan filter partikel reguler adalah bahwa sampel RBPF melebihi subruang dari distribusi probabilitas negara, dan mewakili sisanya menggunakan statistik yang berbeda. Saya punya pertanyaan terkait lainnya tentang latar belakang matematika bagian Rao-Blackwellization.