狀態估計透過感測器數據確定機器人的狀態。狀態包括位置、姿態、速度，有時還包括關節角度或電池電量等內部變數。感測器測量數據是間接的，且存在雜訊。狀態估計將這些測量數據與機器人運動模型結合，從而得出最佳狀態估計值。

卡爾曼濾波器是經典的預測工具。它首先利用運動模型預測下一狀態，然後用感測器數據更新預測結果。最終結果是預測值和測量值的加權平均值。權重來自兩者的不確定性。如果模型置信度高而感測器雜訊較大，濾波器則更信任模型；如果感測器精度高，濾波器則更信任感測器。

狀態估計挑戰

• 非線性運動：卡爾曼濾波器需要線性化。
• 非高斯雜訊：粒子濾波器可以處理它。
• 異常值：錯誤的測量結果會影響估計值。
• 延遲：測量延遲會導致誤差。
• 可觀測性：某些狀態無法透過現有感測器進行估算。

狀態估計在機器人領域無所不在。無人機利用陀螺儀和加速度計資料估計自身姿態；汽車利用GPS、IMU和車輪速度估計自身位置；機械手臂利用編碼器估計關節角度。這些估計結果會傳遞給控制器，由控制器決定下一步動作。錯誤的估計會導致錯誤的決策。而正確的估計則無需人工幹預，機器人就能正常運作。狀態估計的關鍵不在於擁有完美的感測器，而是如何從不完美的感測器中提取最有用的信息。正因如此，它成為了機器人領域最重要的議題之一。