Filtros Kalman sem matemática

Se você programa usando valores que representam qualquer coisa no mundo real, provavelmente já ouviu falar do filtro de Kalman. O filtro permite obter várias estimativas de valor e processá-las em uma estimativa melhor. Por exemplo, se você tem um robô que tem uma ideia de onde está por meio de GPS, cálculo morto e um sistema óptico, o filtro de Kalman pode ajudá-lo a estimar melhor sua posição real, mesmo que todas essas fontes tenham algum erro ou ruído. Como você pode esperar, muita matemática está envolvida, mas [Pravesh] tem um excelente tratamento intuitivo baseado em código que ainda possui um notebook Jupyter colaborativo para você acompanhar.

Sempre tivemos mais facilidade em seguir código do que matemática, por isso aplaudimos esse tipo de postagem. Mesmo se você quiser se aprofundar na matemática, ter uma intuição básica sobre o que a matemática significa primeiro torna-a muito mais acessível.

Claro, no final, há um pouco de matemática, mas nada complicado, a menos que você conte a captura de tela da Wikipedia mostrando a matemática “real” colocada lá para mostrar o que está faltando. O exemplo é um barco com dados de cálculo morto influenciados por ventos e marés aleatórios e medições de GPS que também apresentam alguns erros e às vezes não estão disponíveis, assim como na vida real.

É claro que uma simples média das medições pode ajudar, mas também pode prejudicar uma boa leitura. As técnicas de Kalman usam pesos das fontes para mitigar isso, de modo que fontes aparentemente mais confiáveis ​​contribuam mais para a resposta final do que as menos confiáveis.

Se você preferir um exemplo robótico, nós também os temos. Se você quiser algo simples e, talvez, menos capaz, existem outras maneiras de limpar dados barulhentos.