传统的卡尔曼滤波器假设噪声是高斯分布的，但在实际问题中，往往会遇到非高斯噪声的情况。例如，传感器的异常测量值、非线性动力学模型或者不确定性的系统边界等因素都会导致非高斯噪声的产生。
粒子滤波通过引入一组粒子样本来对状态变量的后验分布进行采样，这些粒子样本根据系统的状态方程和观测方程进行更新。每个粒子都包含一个状态值和相应的权重，其中权重表示该粒子在估计过程中的重要性。粒子的数量越多，估计结果越准确。
在非高斯噪声的情况下，传统的卡尔曼滤波器无法正常工作，因为它假设噪声是高斯分布的。而粒子滤波不依赖于噪声分布的假设，它通过对状态空间进行随机采样来近似表示潜在的后验分布。这种采样方法使得粒子滤波可以处理非线性系统和非高斯噪声，并且具有较好的鲁棒性和适应性。
粒子滤波的基本思想是，使用一组粒子来表示状态变量的可能取值，并通过利用粒子的权重来更新粒子的位置和分布。具体而言，粒子滤波的步骤包括初始化、预测、重采样和更新。在每个时间步骤中，粒子根据系统方程进行预测，并根据观测方程更新其权重。根据粒子的权重进行重采样，以保持粒子的多样性和代表性。
