回答:
ダンサイモンの「最適状態推定」から：
「ガウスノイズを伴う線形システムでは、カルマンフィルターが最適です。非線形であるシステムでは、カルマンフィルターを状態推定に使用できますが、粒子フィルターを使用すると、追加の計算労力が必要になります。非ガウスノイズのあるシステムでは、カルマンフィルターが最適な線形フィルターですが、ここでも粒子フィルターのパフォーマンスが向上する可能性があります無香料のカルマンフィルター（UKF）は、カルマンフィルターの低い計算労力と粒子フィルター。」
「パーティクルフィルターは、既知の非線形方程式を介して一連のポイントを変換し、結果を組み合わせて状態の平均と共分散を推定するという点で、UKFといくつかの類似点があります。 UKFでは、特定のアルゴリズムに基づいてポイントが選択されます*****。このため、パーティクルフィルターで使用されるポイントの数は、UKFのポイントの数よりもはるかに多くする必要があります。 2つのフィルターは、UKFの推定誤差がゼロに収束しないことですが、粒子フィルターの推定誤差は、粒子の数（したがって計算量）が無限に近づくにつれてゼロに収束します。
*****無香変換は、非線形変換を受け、（粒子フィルターにも適用される）直感を使用する確率変数の統計を計算する方法であり、確率分布を近似するよりも簡単です任意の非線形関数または変換を近似します。UKFでポイントが選択される方法の例として、これも参照してください。」
粒子のフィルタリングと平滑化に関するチュートリアルから：15年後：
1993年の導入以来、粒子フィルターは、非線形非ガウスシナリオでの最適な推定問題を解くための非常に一般的な数値手法のクラスになりました。人気のある拡張カルマンフィルターなどの標準的な近似法と比較して、粒子法の主な利点は、ローカル線形化手法や粗い関数近似に依存しないことです。この柔軟性のために支払わなければならない代償は計算です。これらの方法は計算的に高価です。しかし、増え続ける計算能力のおかげで、これらの方法は、化学工学、コンピュータービジョン、金融計量経済学、ターゲット追跡、ロボット工学などのさまざまな分野に現れるリアルタイムアプリケーションで既に使用されています。また、
つまり、パーティクルフィルターは、データのノイズの線形性とガウス性を想定していないため、より弾力的ですが、計算コストが高くなります。これは、ガウス分布のように平均および共分散行列の代わりにランダムサンプルを作成（または描画）および重み付けすることにより、分布を表します。