Die Zustandsbestimmung ermittelt den Zustand eines Roboters anhand von Sensordaten. Der Zustand umfasst Position, Orientierung, Geschwindigkeit und gegebenenfalls interne Variablen wie Gelenkwinkel oder Akkustand. Sensoren messen indirekt und mit Störgeräuschen. Die Zustandsbestimmung kombiniert die Messwerte mit einem Bewegungsmodell des Roboters, um eine bestmögliche Schätzung zu erzielen.

Der Kalman-Filter ist das klassische Werkzeug. Er sagt den nächsten Zustand mithilfe des Bewegungsmodells voraus und aktualisiert diese Vorhersage anschließend mit Sensordaten. Das Ergebnis ist ein gewichteter Durchschnitt aus Vorhersage und Messung. Die Gewichtung ergibt sich aus der jeweiligen Unsicherheit. Ist das Modell zuverlässig und die Sensordaten ungenau, vertraut der Filter eher dem Modell. Sind die Sensordaten präzise, ​​vertraut er den Sensordaten.

Herausforderungen bei der Zustandschätzung

• Nichtlineare Bewegung: Der Kalman-Filter benötigt eine Linearisierung.
• Nicht-Gaußsches Rauschen: Partikelfilter kommen damit zurecht.
• Ausreißer: Eine fehlerhafte Messung kann die Schätzung verfälschen.
• Latenz: Verzögerte Messungen verursachen Fehler.
• Beobachtbarkeit: Einige Zustände können anhand der verfügbaren Sensoren nicht geschätzt werden.

Zustandschätzung ist in der Robotik allgegenwärtig. Eine Drohne schätzt ihre Lage anhand von Gyroskop- und Beschleunigungsmesserdaten. Ein Auto ermittelt seine Position mithilfe von GPS, IMU und Raddrehzahl. Ein Roboterarm schätzt Gelenkwinkel mithilfe von Encodern. Diese Schätzung dient der Steuerung als Grundlage für die weiteren Schritte. Eine fehlerhafte Schätzung führt zu Fehlentscheidungen. Eine korrekte Schätzung ist unmerklich. Der Roboter funktioniert einfach. Bei der Zustandschätzung geht es nicht um perfekte Sensoren, sondern darum, aus unvollkommenen Daten die nützlichsten Informationen zu gewinnen. Deshalb ist sie eines der wichtigsten Themen in der Robotik.