Az állapotbecslés a szenzoradatokból határozza meg a robot állapotát. Az állapot magában foglalja a pozíciót, az orientációt, a sebességet, és néha belső változókat, például az ízületi szögeket vagy az akkumulátor töltöttségi szintjét. Az érzékelők közvetett módon és zajosan mérnek. Az állapotbecslés a méréseket a robot mozgásának modelljével kombinálja a legjobb becslés elkészítéséhez.

A Kalman-szűrő egy klasszikus eszköz. A mozgásmodell segítségével megjósolja a következő állapotot, majd frissíti az előrejelzést az érzékelőadatokkal. Az eredmény az előrejelzés és a mérés súlyozott átlaga. A súlyok az egyes értékek bizonytalanságából származnak. Ha a modell megbízható, és az érzékelő zajos, a szűrő jobban megbízik a modellben. Ha az érzékelő pontos, akkor megbízik az érzékelőben.

Állami becslési kihívások

• Nemlineáris mozgás: A Kalman-szűrő linearizálást igényel.
• Nem Gauss-zaj: a részecskeszűrők kezelik.
• Kiugró értékek: a rossz mérés torzíthatja a becslést.
• Késleltetés: a késleltetett mérések hibákat okoznak.
• Megfigyelhetőség: egyes állapotok nem becsülhetők meg a rendelkezésre álló érzékelőkből.

Az állapotbecslés mindenhol jelen van a robotikában. Egy drón giroszkóp és gyorsulásmérő adataiból becsüli meg a helyzetét. Egy autó GPS, IMU és keréksebesség alapján becsüli meg a pozícióját. Egy robotkar az enkóderek alapján becsüli meg az ízületi szögeket. A becslés a vezérlőt táplálja, amely eldönti, hogy mit tegyen ezután. Egy rossz becslés rossz döntésekhez vezet. Egy jó becslés láthatatlan. A robot csak működik. Az állapotbecslés nem a tökéletes érzékelőkről szól. Arról, hogy a leghasznosabb információkat kinyerjük a tökéletlenekből. Ezért ez az egyik legfontosabb téma a robotikában.