A estimação de estado determina a condição de um robô a partir de dados de sensores. O estado inclui a posição, a orientação, a velocidade e, por vezes, variáveis ​​internas como os ângulos das articulações ou o nível da bateria. Os sensores medem de forma indireta e com ruído. A estimativa de estado combina as medições com um modelo de como o robô se move para produzir a melhor estimativa possível.

O filtro de Kalman é a ferramenta clássica. Prevê o próximo estado utilizando o modelo de movimento e, em seguida, atualiza a previsão com os dados do sensor. O resultado é uma média ponderada da previsão e da medição. Os pesos são definidos pela incerteza de cada uma. Se o modelo for fiável e o sensor apresentar ruído, o filtro confia mais no modelo. Se o sensor for preciso, o filtro confia mais no sensor.

desafios de estimação de estado

• Movimento não linear: o filtro de Kalman necessita de linearização.
• Ruído não gaussiano: os filtros de partículas tratam dele.
• Valores discrepantes: uma medição incorreta pode comprometer a estimativa.
• Latência: medições atrasadas causam erros.
• Observabilidade: alguns estados não podem ser estimados a partir dos sensores disponíveis.

A estimação de estados está presente em todos os aspetos da robótica. Um drone estima a sua atitude a partir de dados de giroscópio e acelerómetro. Um automóvel estima a sua posição a partir do GPS, IMU e velocidade das rodas. Um braço robótico estima os ângulos das juntas a partir de encoders. A estimativa alimenta o controlador, que decide o que fazer a seguir. Uma má estimativa leva a más decisões. Uma boa estimativa é invisível. O robô simplesmente funciona. A estimação de estados não se trata de ter sensores perfeitos. Trata-se de extrair a informação mais útil dos sensores imperfeitos. É por isso que é um dos tópicos mais importantes em robótica.