O filtro de Kalman estima o estado de um sistema a partir de medições ruidosas. Combina um modelo matemático de como o sistema se comporta com dados de sensores que nunca são perfeitos. O resultado é uma melhor estimativa do que a obtida apenas pelo modelo ou pelo sensor isoladamente.

Rudolf Kalman publicou o algoritmo em 1960. Foi utilizado no computador de navegação Apollo e está presente em quase todos os sistemas de orientação desde então. Um robô utiliza-o para combinar dados de odometria de rodas, IMU, GPS e lidar numa única estimativa de posição. Um drone utiliza-o para combinar dados de acelerómetro e giroscópio numa atitude estável.

Como funciona o filtro de Kalman

• Prever: utilizar o modelo para estimar o próximo estado.
• Atualização: utilize a medição do sensor para corrigir a previsão.
• Ganho: pondere a previsão e a medição pela sua incerteza.
• Covariância: mede o grau de incerteza da estimativa.
• Iteração: repita a cada intervalo de tempo.

O filtro assume sistemas lineares e ruído gaussiano. Os sistemas reais são frequentemente não lineares, razão pela qual existem o filtro de Kalman estendido e o filtro de Kalman não-linear. Linelizam o modelo em torno da estimativa atual. O filtro de Kalman não é mágico. É uma forma fundamentada de combinar informação imperfeita. Forneça-lhe um mau modelo ou maus dados de sensores e ele produzirá uma má estimativa. Mas quando o modelo e os sensores são razoáveis, é notavelmente eficaz. É um dos algoritmos mais importantes em robótica.