L'estimation d'état détermine l'état d'un robot à partir des données de ses capteurs. Cet état comprend sa position, son orientation, sa vitesse et parfois des variables internes comme les angles articulaires ou le niveau de la batterie. Les capteurs effectuent des mesures indirectes et bruitées. L'estimation d'état combine ces mesures avec un modèle du mouvement du robot afin d'obtenir la meilleure estimation possible.

Le filtre de Kalman est l'outil classique. Il prédit l'état suivant à partir du modèle de mouvement, puis affine cette prédiction avec les données des capteurs. Le résultat est une moyenne pondérée de la prédiction et de la mesure. Les pondérations sont fonction de l'incertitude de chaque mesure. Si le modèle est fiable et le capteur bruité, le filtre privilégie le modèle. Si le capteur est précis, il privilégie le capteur.

défis de l'estimation d'état

• Mouvement non linéaire : le filtre de Kalman nécessite une linéarisation.
• Bruit non gaussien : les filtres particulaires s’en chargent.
• Valeurs aberrantes : une mauvaise mesure peut fausser l’estimation.
• Latence : les mesures retardées entraînent des erreurs.
• Observabilité : certains états ne peuvent pas être estimés à partir des capteurs disponibles.

L'estimation d'état est omniprésente en robotique. Un drone estime son orientation à partir des données de son gyroscope et de son accéléromètre. Une voiture estime sa position grâce au GPS, à l'IMU et à la vitesse de ses roues. Un bras robotisé estime les angles de ses articulations à partir d'encodeurs. Cette estimation est transmise au contrôleur, qui décide de la suite des opérations. Une mauvaise estimation conduit à de mauvaises décisions. Une bonne estimation est transparente : le robot fonctionne tout simplement. L'estimation d'état ne repose pas sur des capteurs parfaits, mais sur l'extraction des informations les plus utiles à partir de capteurs imparfaits. C'est pourquoi elle constitue l'un des sujets les plus importants en robotique.