卡爾曼濾波器利用雜訊測量資料估計系統狀態。它將系統行為的數學模型與永遠無法完美匹配的感測器數據相結合。最終得到的估計結果優於單獨使用模型或感測器數據。

魯道夫·卡爾曼於1960年發表了該演算法。它被用於阿波羅計劃的導航計算機，此後幾乎被所有導引系統所採用。機器人利用此演算法將輪式里程計、慣性測量單元（IMU）、全球定位系統（GPS）和雷射雷達的資料融合，得到單一的位置估計值。無人機則利用此演算法將加速度計和陀螺儀的資料結合起來，以實現穩定的姿態控制。

卡爾曼濾波器的工作原理

• 預測：使用模型來估計下一個狀態。
• 更新：使用感測器測量值修正預測結果。
• 增益：根據預測和測量結果的不確定性對其進行加權。
• 協方差：追蹤估計值的不確定性。
• 迭代：在每個時間步重複此操作。

此濾波器假設系統為線性系統，雜訊為高斯雜訊。實際系統通常是非線性的，因此有了擴展卡爾曼濾波器和無跡卡爾曼濾波器。它們將模型線性化，使其與當前估計值重疊。卡爾曼濾波器並非魔法，而是一種整合不完美資訊的原則。如果模型或感測器數據不佳，它就會產生錯誤的估計。但當模型和感測器數據合理時，它的效果非常顯著。它是機器人領域最重要的演算法之一。