BPF以转移密度作为重要性密度，在生成粒子时没有考虑当前时刻的量测，因此在似然函数较尖锐或出现量测野值（似然函数落在转移密度的尾部）时，会发生严重的权值退化问题。作为对BPF的改进，Pitt等提出了辅助变量粒子滤波（Auxiliary Variable Particle Filtering，AVPF）。不同于BPF，辅助变量粒子滤波颠倒了基本粒子滤波框架中重要性采样和重采样步骤的顺序。在k时刻，AVPF先结合量测量Zk修正k-1时刻粒子集的权值并对其进行重采样，再根据转移密度对重采样得到的新粒子集进行重要性采样。下面给出AVPF的执行步骤。

（1）初始化。根据初始状态X0的概率密度p（X0）生成初始粒子集1，2，…，N），

对于k＝1，2，…，执行以下步骤。

（2）权值修正。对于k-1时刻粒子集中的每个粒子，计算以及修正后的权值对进行归一化得到其中，μ是在给定粒子的条件下关于的某种统计信息，可以是均值也可以是某个样本，即

（3）重采样。根据对粒子集（i＝1，2，…，N）进行重采样，但只需返回父代粒子的序号ij（j＝1，2，…，N）。(www.daowen.com)

（4）重要性采样。采样粒子权值计算公式为

对进行归一化，得到

（5）滤波输出。系统当前状态的均值和方差分别为

辅助变量粒子滤波实际上是在平滑后验密度p（Xk-1｜Zk）的基础上进行重要性采样，它根据量测Zk优化了k时刻的粒子分布，弥补了BPF对量测野值敏感的缺陷，使权值更为均匀。如果激励噪声较大，AVPF的精度会下降，这是因为此时已不足以表征当似然函数较为尖锐或位于转移密度尾部时，AVPF能够取得比BPF更高的精度；然而当转移密度与后验密度基本相同时，BPF具有更高的精度。此外，AVPF对每个粒子进行了额外的权值修正，这使其计算量比BPF更大一些。