Estimarea stării determină condiția unui robot din datele senzorilor. Starea include poziția, orientarea, viteza și uneori variabile interne, cum ar fi unghiurile articulațiilor sau nivelul bateriei. Senzorii măsoară indirect și zgomotos. Estimarea stării combină măsurătorile cu un model al modului în care se mișcă robotul pentru a produce cea mai bună estimare.

Filtrul Kalman este instrumentul clasic. Acesta prezice următoarea stare folosind modelul de mișcare, apoi actualizează predicția cu datele senzorului. Rezultatul este o medie ponderată a predicției și măsurătorii. Ponderile provin din incertitudinea fiecăreia. Dacă modelul este încrezător, iar senzorul este zgomotos, filtrul are mai multă încredere în model. Dacă senzorul este precis, are mai multă încredere în senzor.

Provocări în estimarea stării

• Mișcare neliniară: filtrul Kalman necesită liniarizare.
• Zgomot non-gaussian: filtrele de particule îl gestionează.
• Valori aberante: o măsurătoare greșită poate corupe estimarea.
• Latență: măsurătorile întârziate cauzează erori.
• Observabilitate: unele stări nu pot fi estimate din senzorii disponibili.

Estimarea stării este omniprezentă în robotică. O dronă își estimează atitudinea din datele giroscopului și accelerometrului. O mașină își estimează poziția din GPS, IMU și viteza roților. Un braț robotic estimează unghiurile articulațiilor din encodere. Estimarea alimentează controlerul, care decide ce să facă în continuare. O estimare greșită duce la decizii proaste. O estimare bună este invizibilă. Robotul pur și simplu funcționează. Estimarea stării nu înseamnă să ai senzori perfecți. Ci să extragi cele mai utile informații din cei imperfecți. De aceea, este unul dintre cele mai importante subiecte din robotică.