Filtros de Kalman sin matemáticas

Si programa utilizando valores que representan cualquier cosa en el mundo real, probablemente al menos haya oído hablar del filtro de Kalman. El filtro le permite tomar múltiples estimaciones de valor y procesarlas para obtener una mejor estimación. Por ejemplo, si tiene un robot que tiene una idea de dónde está mediante GPS, navegación a estima y un sistema óptico, el filtro Kalman puede ayudarlo a estimar mejor su posición real, aunque todas esas fuentes tengan algún error o ruido. Como era de esperar, hay muchas matemáticas involucradas, pero [Pravesh] tiene un excelente tratamiento intuitivo basado en código que incluso tiene un cuaderno colaborativo de Jupyter para que lo sigas.

Siempre nos ha resultado más fácil seguir el código que las matemáticas, por eso aplaudimos este tipo de publicaciones. Incluso si desea profundizar en las matemáticas, tener primero una intuición básica sobre lo que significan las matemáticas lo hace mucho más accesible.

Por supuesto, al final, hay algunas matemáticas, pero nada complicado a menos que cuentes la captura de pantalla de Wikipedia que muestra las matemáticas "reales" colocadas allí para mostrarte lo que te estás perdiendo. El ejemplo es un barco con datos de navegación a estima influenciados por vientos y mareas aleatorios y mediciones de GPS que también tienen algunos errores y a veces no están disponibles, como en la vida real.

Por supuesto, un simple promedio de las mediciones puede ayudar, pero también puede alterar una buena lectura. Las técnicas de Kalman utilizan pesos de las fuentes para mitigar esto, de modo que las fuentes aparentemente más confiables contribuyan más a la respuesta final que las menos confiables.

Si prefiere un ejemplo robótico, también los tenemos. Si desea algo simple y, quizás, menos capaz, existen otras formas de limpiar datos ruidosos.