方法候选：路网辅助滤波（Map-Aided Filtering）

将路网约束与时序滤波融合为一套方案，而非两个独立模块。在车辆导航领域是成熟技术，本题场景（低维、离线、稀疏观测）同样适用。

核心思想

标准 KF 的恒速模型假设设备沿直线匀速运动，现实中设备沿道路走、在路口转弯。路网数据可增强运动模型的三个方面：

1. 状态转移约束：预测步中状态只能沿道路方向移动，不穿墙/不越河
2. 速度先验：道路类型自带速度范围（人行道 1–2 m/s，公路 10–30 m/s，轨道 8–20 m/s）
3. 转弯建模：路口处运动方向可变，非路口处沿路方向保持——比恒速假设准确得多

为什么粒子滤波更适合

引入路网约束后，问题变为非线性约束（位置必须在路网上）：

• 标准 KF：状态空间是连续 $\mathbb{R}^2$，无法直接表达"只能在路网上"
• EKF/UKF：可以近似处理，但路网约束是离散拓扑结构，不适合线性化
• 粒子滤波：粒子直接在路网上采样和移动，天然适配——每个粒子沿某条路段移动，到路口时按概率分叉

与其他方法候选的关系

map-constraint（地图硬约束/正则项）
        ↓ 融合
filtering（KF / PF）
        ↓ 结合
→ map-aided particle filter（本文档）

本方案将 filtering 和 map-constraint 两个独立候选统一为一个框架。

与预研的差异

预研："影子位置" → 标准线性 KF，无任何地图信息 本方向：路网约束粒子滤波，运动模型和状态空间都由地图定义