粒子滤波器(Particle Filter)是一种基于蒙特卡洛方法的序贯重要性采样技术，主要用于解决非线性非高斯系统的状态估计问题。它通过一组带有权重的随机样本（称为「粒子」）来近似表示概率分布，每个粒子代表系统可能的状态假设，权重则反映该假设的置信度。随着新观测数据的到来，粒子滤波器通过重采样机制动态调整粒子分布，使高权重粒子得以保留并繁衍，低权重粒子逐渐淘汰，从而实现对系统状态的实时跟踪。这种方法的优势在于能够灵活处理复杂噪声环境和多模态分布。
在自动驾驶领域，粒子滤波器被广泛应用于车辆定位（如SLAM）、目标跟踪和传感器融合等场景。特别是在GPS信号较弱或缺失的环境（如隧道、城市峡谷）中，粒子滤波器能够有效结合轮速计、IMU和视觉数据实现鲁棒的定位。现代自动驾驶系统常将粒子滤波器与卡尔曼滤波器组合使用，前者处理非线性和多假设问题，后者优化计算效率，形成互补的技术方案。随着计算能力的提升，粒子滤波器在动态障碍物行为预测等更高层次的感知任务中也展现出独特价值。