Szacowanie stanu określa stan robota na podstawie danych z czujników. Stan obejmuje położenie, orientację, prędkość, a czasami zmienne wewnętrzne, takie jak kąty stawów czy poziom naładowania baterii. Czujniki dokonują pomiarów pośrednio i generują hałas. Szacowanie stanu łączy pomiary z modelem ruchu robota, aby uzyskać jak najlepsze przypuszczenie.

Filtr Kalmana to klasyczne narzędzie. Przewiduje on kolejny stan za pomocą modelu ruchu, a następnie aktualizuje prognozę danymi z czujnika. Rezultatem jest ważona średnia prognozy i pomiaru. Wagi wynikają z niepewności każdego z nich. Jeśli model jest pewny, a czujnik jest zaszumiony, filtr bardziej mu ufa. Jeśli czujnik jest precyzyjny, to ufa mu.

Wyzwania związane z szacowaniem stanu

• Ruch nieliniowy: filtr Kalmana wymaga linearyzacji.
• Szum niegaussowski: radzą sobie z nim filtry cząsteczkowe.
• Wartości odstające: błędny pomiar może zafałszować szacunek.
• Opóźnienie: opóźnione pomiary powodują błędy.
• Obserwowalność: niektórych stanów nie da się oszacować na podstawie dostępnych czujników.

Szacowanie stanu jest wszechobecne w robotyce. Dron szacuje swoją pozycję na podstawie danych z żyroskopu i akcelerometru. Samochód szacuje swoją pozycję na podstawie danych GPS, IMU i prędkości kół. Ramię robota szacuje kąty przegubów na podstawie enkoderów. Szacunek ten trafia do kontrolera, który decyduje, co dalej. Złe oszacowanie prowadzi do złych decyzji. Dobre oszacowanie jest niewidoczne. Robot po prostu działa. Szacowanie stanu nie polega na posiadaniu idealnych czujników. Chodzi o wydobycie najbardziej użytecznych informacji z niedoskonałych. Dlatego jest to jeden z najważniejszych tematów w robotyce.