Tilstandsestimering bestemmer en robots tilstand fra sensordata. Tilstanden inkluderer posisjon, retning, hastighet og noen ganger interne variabler som leddvinkler eller batterinivå. Sensorer måler indirekte og støyende. Tilstandsestimering kombinerer målingene med en modell av hvordan roboten beveger seg for å produsere det beste gjetningen.

Kalman-filteret er det klassiske verktøyet. Det forutsier neste tilstand ved hjelp av bevegelsesmodellen, og oppdaterer deretter forutsigelsen med sensordata. Resultatet er et vektet gjennomsnitt av forutsigelse og måling. Vektene kommer fra usikkerheten til hver av dem. Hvis modellen er sikker og sensoren er støyende, stoler filteret mer på modellen. Hvis sensoren er presis, stoler den mer på sensoren.

Utfordringer med statlige estimater

• Ikke-lineær bevegelse: Kalman-filteret trenger linearisering.
• Ikke-gaussisk støy: partikkelfiltre håndterer det.
• Uteliggere: en dårlig måling kan ødelegge estimatet.
• Latens: forsinkede målinger forårsaker feil.
• Observerbarhet: enkelte tilstander kan ikke estimeres fra tilgjengelige sensorer.

Tilstandsestimering finnes overalt innen robotikk. En drone estimerer sin posisjon fra gyroskop- og akselerometerdata. En bil estimerer sin posisjon fra GPS, IMU og hjulhastighet. En robotarm estimerer leddvinkler fra kodere. Estimatet mater kontrolleren, som bestemmer hva som skal gjøres videre. Et dårlig estimat fører til dårlige beslutninger. Et godt estimat er usynlig. Roboten bare fungerer. Tilstandsestimering handler ikke om å ha perfekte sensorer. Det handler om å trekke ut den mest nyttige informasjonen fra uperfekte sensorer. Derfor er det et av de viktigste temaene innen robotikk.