Фильтр Калмана оценивает истинное состояние системы на основе шумных измерений.

Он работает, объединяя две вещи:

• модель эволюции системы
• неточные показания датчиков

Алгоритм выполняется в цикле из двух шагов.

1. predict (предсказание)
- используется модель системы для оценки следующего состояния.
- на выходе получаем предсказанное состояние и неопределённость.

2. update (обновление)
- поступает новое измерение.
- оно сравнивается с предсказанием.
- оценка корректируется.

Коррекция взвешивается с помощью коэффициента Калмана (Kalman Gain):

• больше доверия модели → небольшая коррекция
• больше доверия датчику → сильная коррекция

Неопределённость отслеживается с помощью ковариационной матрицы (Covariance Matrix).

Со временем оценка сходится.

Шум отфильтровывается.
Проявляется истинное состояние.

Используется в:

• локализации в робототехнике
• беспилотных автомобилях
• дронах и системах управления полётом
• GPS-трекинге
• объединении данных с датчиков (sensor fusion)

Это рекурсивная система, которая непрерывно уточняет своё представление о состоянии мира в условиях неопределённости.

👉 @PythonPortal