Tilstandsestimering bestemmer en robots tilstand ud fra sensordata. Tilstanden omfatter position, orientering, hastighed og nogle gange interne variabler som ledvinkler eller batteriniveau. Sensorer måler indirekte og støjende. Tilstandsestimering kombinerer målingerne med en model af, hvordan robotten bevæger sig, for at producere det bedste gæt.

Kalman-filteret er det klassiske værktøj. Det forudsiger den næste tilstand ved hjælp af bevægelsesmodellen og opdaterer derefter forudsigelsen med sensordata. Resultatet er et vægtet gennemsnit af forudsigelse og måling. Vægtene kommer fra usikkerheden for hver enkelt. Hvis modellen er sikker, og sensoren er støjende, stoler filteret mere på modellen. Hvis sensoren er præcis, stoler den mere på sensoren.

Udfordringer med statslige estimater

• Ikke-lineær bevægelse: Kalman-filteret kræver linearisering.
• Ikke-gaussisk støj: partikelfiltre håndterer det.
• Outliers: En dårlig måling kan ødelægge estimatet.
• Latens: forsinkede målinger forårsager fejl.
• Observerbarhed: Nogle tilstande kan ikke estimeres ud fra tilgængelige sensorer.

Tilstandsestimering findes overalt inden for robotteknologi. En drone estimerer sin attitude ud fra gyroskop- og accelerometerdata. En bil estimerer sin position ud fra GPS, IMU og hjulhastighed. En robotarm estimerer ledvinkler fra encodere. Estimatet føder controlleren, som beslutter, hvad der skal gøres næste gang. Et dårligt estimat fører til dårlige beslutninger. Et godt estimat er usynligt. Robotten fungerer bare. Tilstandsestimering handler ikke om at have perfekte sensorer. Det handler om at udtrække de mest nyttige oplysninger fra uperfekte sensorer. Derfor er det et af de vigtigste emner inden for robotteknologi.