La estimación de estado determina la condición de un robot a partir de datos de sensores. El estado incluye posición, orientación, velocidad y, en ocasiones, variables internas como ángulos articulares o nivel de batería. Los sensores miden de forma indirecta y con cierto ruido. La estimación de estado combina estas mediciones con un modelo del movimiento del robot para obtener la mejor aproximación posible.

El filtro de Kalman es la herramienta clásica. Predice el siguiente estado utilizando el modelo de movimiento y luego actualiza la predicción con datos del sensor. El resultado es un promedio ponderado de la predicción y la medición. Los pesos provienen de la incertidumbre de cada uno. Si el modelo es fiable y el sensor es ruidoso, el filtro confía más en el modelo. Si el sensor es preciso, confía más en el sensor.

Desafíos de la estimación de estados

• Movimiento no lineal: el filtro de Kalman necesita linealización.
• Ruido no gaussiano: los filtros de partículas lo gestionan.
• Valores atípicos: una medición errónea puede distorsionar la estimación.
• Latencia: las mediciones retrasadas provocan errores.
• Observabilidad: algunos estados no pueden estimarse a partir de los sensores disponibles.

La estimación de estado está presente en todas partes en la robótica. Un dron estima su orientación a partir de datos de giroscopio y acelerómetro. Un coche estima su posición a partir de GPS, IMU y velocidad de las ruedas. Un brazo robótico estima los ángulos de las articulaciones a partir de codificadores. Esta estimación alimenta al controlador, que decide qué hacer a continuación. Una mala estimación lleva a malas decisiones. Una buena estimación es imperceptible. El robot simplemente funciona. La estimación de estado no se trata de tener sensores perfectos, sino de extraer la información más útil de sensores imperfectos. Por eso es uno de los temas más importantes en robótica.