Kalman-filteret estimerer tilstanden til et system fra støyende målinger. Det kombinerer en matematisk modell av hvordan systemet oppfører seg med sensordata som aldri er perfekte. Resultatet er et estimat som er bedre enn enten modellen eller sensoren alene.

Rudolf Kalman publiserte algoritmen i 1960. Den ble brukt i Apollo-navigasjonsdatamaskinen og har vært i nesten alle styresystemer siden. En robot bruker den til å slå sammen hjulkilometermåling, IMU, GPS og lidar til et enkelt posisjonsestimat. En drone bruker den til å kombinere akselerometer- og gyroskopdata til en stabil posisjon.

Hvordan Kalman-filteret fungerer

• Forutsi: bruk modellen til å estimere neste tilstand.
• Oppdatering: bruk sensormålingen til å korrigere prediksjonen.
• Gevinst: vekt prediksjonen og målingen etter usikkerheten deres.
• Kovarians: sporer hvor usikkert estimatet er.
• Iterere: gjenta ved hvert trinn.

Filteret antar lineære systemer og gaussisk støy. Reelle systemer er ofte ikke-lineære, og det er derfor det utvidede Kalman-filteret og det uparfymerte Kalman-filteret finnes. De lineariserer modellen rundt det nåværende estimatet. Kalman-filteret er ikke magisk. Det er en prinsipiell måte å kombinere ufullkommen informasjon på. Gi det en dårlig modell eller dårlige sensordata, og det vil produsere et dårlig estimat. Men når modellen og sensorene er rimelige, er det bemerkelsesverdig effektivt. Det er en av de viktigste algoritmene innen robotikk.