上一篇博客使用的是高斯分布结合贝叶斯准则来估计机器人状态，本篇是基于直方图和粒子滤波器这两种无参滤波器估计机器人状态。
直方图方法将状态空间分解成有限多个区域，并用直方图表示后验概率。直方图为每个区域分配一个单独的累积概率；可以将其视为对连续密度函数的逐段常数近似。第二种技术通过有限多个样本来表示后验概率。由此产生的滤波器被称为粒子滤波器，在某些机器人问题中获得了极大的流行。
直方图滤波器和粒子滤波器，都不对后验密度做强烈的参数假设。因而非常适合表示复杂的多模态信念（后验状态概率估计）。因此，当机器人需要应对全局不确定性的阶段，以及面对产生多个独立假设的困难数据关联问题时，它们通常是首选方法。
直方图滤波
直方图滤波器的离散形式称为离散贝叶斯滤波器，其算法流程如下：
其中 u t u_t ut是控制信息， z t z_t zt是传感器观测值， { P k , t − 1 } \{P_{k,t-1}\} {
Pk,t−1}，其中的大括号表示这个概率是一个集合， t − 1 t-1 t−1表示的是时刻，k表示的是状态 x x x处在k时， p k , t − 1 p_{k,{t-1}} pk,t−1表示t-1时刻，机器人处于状态k的概率，然后大扩号表示这是要遍历机器人所有可能状态的集合。
第3行根据t时刻控制信息 u t u_t ut和前一时刻状态 x i x_i xi估计t时刻处于状态k的概率 p ‾ k , t \overline p_{k,t} p