Η εκτίμηση κατάστασης καθορίζει την κατάσταση ενός ρομπότ από δεδομένα αισθητήρων. Η κατάσταση περιλαμβάνει τη θέση, τον προσανατολισμό, την ταχύτητα και μερικές φορές εσωτερικές μεταβλητές όπως γωνίες αρθρώσεων ή στάθμη μπαταρίας. Οι αισθητήρες μετρούν έμμεσα και θορυβωδώς. Η εκτίμηση κατάστασης συνδυάζει τις μετρήσεις με ένα μοντέλο για το πώς κινείται το ρομπότ για να παράγει την καλύτερη εκτίμηση.

Το φίλτρο Kalman είναι το κλασικό εργαλείο. Προβλέπει την επόμενη κατάσταση χρησιμοποιώντας το μοντέλο κίνησης και στη συνέχεια ενημερώνει την πρόβλεψη με δεδομένα αισθητήρα. Το αποτέλεσμα είναι ένας σταθμισμένος μέσος όρος πρόβλεψης και μέτρησης. Τα βάρη προέρχονται από την αβεβαιότητα καθεμίας. Εάν το μοντέλο είναι αξιόπιστο και ο αισθητήρας έχει θόρυβο, το φίλτρο εμπιστεύεται περισσότερο το μοντέλο. Εάν ο αισθητήρας είναι ακριβής, εμπιστεύεται τον αισθητήρα.

Προκλήσεις εκτίμησης πολιτείας

• Μη γραμμική κίνηση: Το φίλτρο Kalman χρειάζεται γραμμικοποίηση.
• Μη Γκαουσιανός θόρυβος: τα φίλτρα σωματιδίων τον χειρίζονται.
• Ακραίες τιμές: μια λανθασμένη μέτρηση μπορεί να αλλοιώσει την εκτίμηση.
• Λανθάνουσα κατάσταση: οι καθυστερημένες μετρήσεις προκαλούν σφάλματα.
• Παρατηρησιμότητα: ορισμένες καταστάσεις δεν μπορούν να εκτιμηθούν από τους διαθέσιμους αισθητήρες.

Η εκτίμηση κατάστασης είναι παντού στη ρομποτική. Ένα drone εκτιμά τη στάση του από δεδομένα γυροσκοπίου και επιταχυνσιόμετρου. Ένα αυτοκίνητο εκτιμά τη θέση του από GPS, IMU και την ταχύτητα του τροχού. Ένας ρομποτικός βραχίονας εκτιμά τις γωνίες των αρθρώσεων από κωδικοποιητές. Η εκτίμηση τροφοδοτεί τον ελεγκτή, ο οποίος αποφασίζει τι θα κάνει στη συνέχεια. Μια κακή εκτίμηση οδηγεί σε κακές αποφάσεις. Μια καλή εκτίμηση είναι αόρατη. Το ρομπότ απλώς λειτουργεί. Η εκτίμηση κατάστασης δεν αφορά την ύπαρξη τέλειων αισθητήρων. Πρόκειται για την εξαγωγή των πιο χρήσιμων πληροφοριών από ατελείς. Γι' αυτό είναι ένα από τα πιο σημαντικά θέματα στη ρομποτική.