स्टेट एस्टिमेशन सेंसर डेटा से रोबोट की स्थिति निर्धारित करता है। स्थिति में पोजीशन, ओरिएंटेशन, वेलोसिटी और कभी-कभी जॉइंट एंगल या बैटरी लेवल जैसे आंतरिक वैरिएबल शामिल होते हैं। सेंसर अप्रत्यक्ष और शोरगुल वाले डेटा को मापते हैं। स्टेट एस्टिमेशन रोबोट की गति के मॉडल के साथ मापों को मिलाकर सबसे सटीक अनुमान लगाता है।

कलमन फ़िल्टर एक क्लासिक उपकरण है। यह गति मॉडल का उपयोग करके अगली स्थिति का अनुमान लगाता है, फिर सेंसर डेटा के साथ अनुमान को अपडेट करता है। परिणाम अनुमान और माप का भारित औसत होता है। भार प्रत्येक की अनिश्चितता से निर्धारित होते हैं। यदि मॉडल विश्वसनीय है और सेंसर में त्रुटि है, तो फ़िल्टर मॉडल पर अधिक भरोसा करता है। यदि सेंसर सटीक है, तो फ़िल्टर सेंसर पर अधिक भरोसा करता है।

राज्य अनुमान संबंधी चुनौतियाँ

• नॉनलाइनियर गति: कलमन फिल्टर को रेखीयकरण की आवश्यकता होती है।
• गैर-गाऊसी शोर: कण फिल्टर इसे संभालते हैं।
• असामान्य मान: गलत माप से अनुमान दूषित हो सकता है।
• विलंबता: विलंबित माप त्रुटियों का कारण बनते हैं।
• अवलोकनशीलता: कुछ अवस्थाओं का अनुमान उपलब्ध सेंसरों से नहीं लगाया जा सकता है।

रोबोटिक्स में स्टेट एस्टिमेशन सर्वत्र महत्वपूर्ण है। एक ड्रोन जाइरोस्कोप और एक्सेलेरोमीटर डेटा से अपनी स्थिति का अनुमान लगाता है। एक कार जीपीएस, आईएमयू और पहियों की गति से अपनी स्थिति का अनुमान लगाती है। एक रोबोटिक भुजा एनकोडर से जोड़ों के कोणों का अनुमान लगाती है। यह अनुमान नियंत्रक को भेजा जाता है, जो आगे की कार्रवाई तय करता है। गलत अनुमान गलत निर्णयों की ओर ले जाता है। एक अच्छा अनुमान अदृश्य होता है। रोबोट बस काम करता रहता है। स्टेट एस्टिमेशन का मतलब पूर्ण सेंसर होना नहीं है। इसका मतलब अपूर्ण सेंसरों से सबसे उपयोगी जानकारी निकालना है। यही कारण है कि यह रोबोटिक्स के सबसे महत्वपूर्ण विषयों में से एक है।