常用定位方法及优缺点

方法类别	方法名称	优点	缺点	适用场景
概率统计方法	后验概率（贝叶斯）	结合先验，量化不确定性	计算复杂度高	需要先验，动态场景
最大似然估计（MLE）	简单直接，适合线性问题	无法量化不确定性	无先验，静态场景
卡尔曼滤波（KF）	实时性强，适合动态定位	线性假设较强	高斯噪声，动态场景
粒子滤波（PF）	适合非线性、非高斯问题	计算复杂度高	动态场景，不确定性较大
优化方法	最小二乘法（LS）	简单高效，闭式解	对异常值敏感	误差近似高斯分布
梯度下降法（GD）	适合非线性、高维问题	易陷入局部最优	复杂非线性场景
约束优化	融合先验信息提升鲁棒性	需要精确约束条件	有外部边界或限制条件
其他方法	机器学习方法	数据驱动，适合复杂非线性问题	需要大量数据，泛化性受限	数据充足，模型复杂
图优化	适合多传感器融合，提供全局最优解	计算复杂度较高	多源数据融合