尽管基于模型近似线性化的扩展卡尔曼滤波算法在航空航天等领域得到了广泛的应用，但是由于模型的高阶截断引入了模型误差，因此在滤波初始误差较大或者系统受到较大的内外扰动时，扩展卡尔曼滤波的精度会显著降低，甚至有可能导致滤波的发散。为了改善扩展卡尔曼滤波的性能，一些学者试图通过引入模型泰勒展开中的高阶项来降低非线性截断误差，并达到提高滤波精度和稳定性的目的。但是，该种方法在滤波迭代过程中需要计算非线性模型的高阶导数，因此会导致滤波迭代过程的计算量进一步增加，从而降低滤波的实时性。

与误差线性映射计算的滤波方法不同，蒙特卡罗数值方法是建立在大量数值模拟及统计分析的基础上的非线性滤波方法。但是，为了确保系统状态误差统计特性的准确性，蒙特卡罗方法需要对大量的样本点进行计算，因此需要耗费大量的计算资源，难以实现实时在线工作。此外，由于蒙特卡罗方法收敛速度较慢，导致大多数在实际应用中的计算成本过高。与其他方法相比，从通用性和稳健性的角度来说，蒙特卡罗方法具有一定的优势。为了解决蒙特卡罗方法的在线应用的困难，粒子滤波（Particle Filtering）算法是在蒙特卡罗方法的基础上发展的一种惯序滤波算法。其本质上是为了解决非线性贝叶斯滤波中的后验概率密度分布问题，采用一组加权随机样本来近似表征后验概率密度函数，并且该密度函数可以随观测量的更新递推而更新。粒子算法的突出优势是对复杂非线性系统误差的概率分布求解，特别是针对高维非线性、非高斯具有显著的优势。但是，粒子滤波算法同样存在大规模计算的问题，难以适用于实时系统的导航控制需求。(www.daowen.com)

无迹卡尔曼滤波（Unscented Kalman Filter，UKF）是一种适用于强非线性系统的滤波方法，其采用一组确定的采样点来模拟状态参量的分布特征，因此又称为Sigma点卡尔曼滤波。与传统卡尔曼滤波算法相比，UKF不需要对非线性模型进行线性化处理，避免计算雅可比矩阵，并且对任何非线性系统都可以精确到泰勒级数展开的二阶以上。此外，UKF根据被估计状态和观测量的协方差矩阵来确定最佳增益矩阵，协方差矩阵又根据复现的一倍样本点来计算。因此，在计算最佳增益矩阵的过程中，UKF并未对系统方程和量测方程附加线性化条件，所以系统的非线性越强，UKF的优势越明显。