Het Kalman-filter schat de toestand van een systeem op basis van ruisige metingen. Het combineert een wiskundig model van hoe het systeem zich gedraagt ​​met sensorgegevens die nooit perfect zijn. Het resultaat is een schatting die beter is dan het model of de sensorgegevens afzonderlijk.

Rudolf Kalman publiceerde het algoritme in 1960. Het werd gebruikt in de Apollo-navigatiecomputer en is sindsdien in vrijwel elk navigatiesysteem terug te vinden. Een robot gebruikt het om wielodometrie, IMU, GPS en lidar te combineren tot één positiebepaling. Een drone gebruikt het om accelerometer- en gyroscoopgegevens te combineren tot een stabiele houding.

Hoe het Kalman-filter werkt

• Voorspellen: gebruik het model om de volgende toestand te schatten.
• Update: gebruik de sensormeting om de voorspelling te corrigeren.
• Winst: weeg de voorspelling en de meting op basis van hun onzekerheid.
• Covariantie: geeft aan hoe onzeker de schatting is.
• Itereren: herhaal bij elke tijdstap.

Het filter gaat uit van lineaire systemen en Gaussiaanse ruis. Echte systemen zijn vaak niet-lineair, vandaar het bestaan ​​van het uitgebreide Kalman-filter en het unscented Kalman-filter. Deze filters lineariseren het model rond de huidige schatting. Het Kalman-filter is geen tovermiddel. Het is een principiële manier om onvolledige informatie te combineren. Geef het een slecht model of slechte sensorgegevens en het zal een slechte schatting opleveren. Maar wanneer het model en de sensoren redelijk zijn, is het opmerkelijk effectief. Het is een van de belangrijkste algoritmen in de robotica.