状态估计通过传感器数据确定机器人的状态。状态包括位置、姿态、速度，有时还包括关节角度或电池电量等内部变量。传感器测量数据是间接的，且存在噪声。状态估计将这些测量数据与机器人运动模型相结合，从而得出最佳状态估计值。

卡尔曼滤波器是经典的预测工具。它首先利用运动模型预测下一状态，然后用传感器数据更新预测结果。最终结果是预测值和测量值的加权平均值。权重来源于两者的不确定性。如果模型置信度高而传感器噪声较大，滤波器则更信任模型；如果传感器精度高，滤波器则更信任传感器。

状态估计挑战

• 非线性运动：卡尔曼滤波器需要线性化。
• 非高斯噪声：粒子滤波器可以处理它。
• 异常值：错误的测量结果会影响估计值。
• 延迟：测量延迟会导致误差。
• 可观测性：某些状态无法通过现有传感器进行估算。

状态估计在机器人领域无处不在。无人机利用陀螺仪和加速度计数据估计自身姿态；汽车利用GPS、IMU和车轮速度估计自身位置；机械臂利用编码器估计关节角度。这些估计结果会​​传递给控制器​​，由控制器决定下一步动作。错误的估计会导致错误的决策。而正确的估计则无需人工干预，机器人就能正常工作。状态估计的关键不在于拥有完美的传感器，而在于如何从不完美的传感器中提取最有用的信息。正因如此，它成为了机器人领域最重要的课题之一。