Kalman-filteret estimerer et systems tilstand ud fra støjfyldte målinger. Det kombinerer en matematisk model af systemets opførsel med sensordata, der aldrig er perfekte. Resultatet er et estimat, der er bedre end enten modellen eller sensoren alene.

Rudolf Kalman udgav algoritmen i 1960. Den blev brugt i Apollo-navigationscomputeren og har været i næsten alle navigationssystemer siden. En robot bruger den til at fusionere hjulkilometermåling, IMU, GPS og lidar til et enkelt positionsestimat. En drone bruger den til at kombinere accelerometer- og gyroskopdata til en stabil position.

Sådan fungerer Kalman-filteret

• Forudsig: brug modellen til at estimere den næste tilstand.
• Opdatering: Brug sensormålingen til at korrigere forudsigelsen.
• Gevinst: vægt forudsigelsen og målingen ud fra deres usikkerhed.
• Kovarians: Spor hvor usikkert estimatet er.
• Iterer: Gentag ved hvert trin.

Filteret antager lineære systemer og Gaussisk støj. Virkelige systemer er ofte ikke-lineære, hvilket er grunden til, at det udvidede Kalman-filter og det uparfumerede Kalman-filter findes. De lineariserer modellen omkring det aktuelle estimat. Kalman-filteret er ikke magisk. Det er en principiel måde at kombinere uperfekt information på. Giv det en dårlig model eller dårlige sensordata, og det vil producere et dårligt estimat. Men når modellen og sensorerne er rimelige, er det bemærkelsesværdigt effektivt. Det er en af ​​de vigtigste algoritmer inden for robotteknologi.