Estimasi keadaan menentukan kondisi robot dari data sensor. Keadaan tersebut mencakup posisi, orientasi, kecepatan, dan terkadang variabel internal seperti sudut sendi atau level baterai. Sensor mengukur secara tidak langsung dan bising. Estimasi keadaan menggabungkan pengukuran dengan model pergerakan robot untuk menghasilkan perkiraan terbaik.

Filter Kalman adalah alat klasik. Filter ini memprediksi keadaan selanjutnya menggunakan model gerak, kemudian memperbarui prediksi dengan data sensor. Hasilnya adalah rata-rata tertimbang dari prediksi dan pengukuran. Bobotnya berasal dari ketidakpastian masing-masing. Jika modelnya akurat dan sensornya bising, filter akan lebih mempercayai model tersebut. Jika sensornya akurat, filter akan lebih mempercayai sensor tersebut.

tantangan estimasi negara

• Gerakan nonlinier: Filter Kalman membutuhkan linearisasi.
• Derau non-Gaussian: filter partikel dapat mengatasinya.
• Pencilan: pengukuran yang buruk dapat merusak estimasi.
• Latensi: pengukuran yang tertunda menyebabkan kesalahan.
• Kemampuan pengamatan: beberapa keadaan tidak dapat diperkirakan dari sensor yang tersedia.

Estimasi keadaan ada di mana-mana dalam robotika. Sebuah drone memperkirakan orientasinya dari data giroskop dan akselerometer. Sebuah mobil memperkirakan posisinya dari GPS, IMU, dan kecepatan roda. Lengan robot memperkirakan sudut sendi dari encoder. Estimasi tersebut menjadi masukan bagi pengontrol, yang kemudian memutuskan apa yang harus dilakukan selanjutnya. Estimasi yang buruk menyebabkan keputusan yang buruk. Estimasi yang baik tidak terlihat. Robot hanya bekerja. Estimasi keadaan bukan tentang memiliki sensor yang sempurna. Ini tentang mengekstrak informasi yang paling berguna dari sensor yang tidak sempurna. Itulah mengapa ini adalah salah satu topik terpenting dalam robotika.