Kalman Filter (KF)

Ein Kalman-Filter (KF) ist ein rekursiver mathematischer Algorithmus zur Schätzung des Zustands eines dynamischen Systems im Zeitverlauf. Ursprünglich von Rudolf E. Kálmán eingeführt, ist dieses Verfahren essenziell für die Verarbeitung von Daten, die unsicher, ungenau oder mit zufälligen Schwankungen, oft als „Rauschen“ bezeichnet, behaftet sind. Durch die Kombination einer Reihe von über die Zeit beobachteten Messungen, die statistische Ungenauigkeiten enthalten, liefert der Kalman-Filter Schätzungen unbekannter Variablen, die präziser sind als solche, die allein auf einer einzelnen Messung basieren. In den Bereichen Machine Learning (ML) und Künstliche Intelligenz (AI) dient er als kritisches Werkzeug für Predictive Modeling, indem er unruhige Datenpunkte glättet, um den wahren zugrunde liegenden Trend aufzudecken.

Link to this sectionSo funktioniert der Kalman-Filter#

Der Algorithmus arbeitet in einem zweistufigen Zyklus: Vorhersage (Prediction) und Aktualisierung (Update, auch Korrektur genannt). Er geht davon aus, dass das zugrunde liegende System linear ist und das Rauschen einer Gauß-Verteilung (Glockenkurve) folgt.

1. Vorhersage: Der Filter verwendet ein physikalisches Modell, um den aktuellen Zustand in die Zukunft zu projizieren. Bewegt sich beispielsweise ein Objekt mit konstanter Geschwindigkeit, sagt der Filter seine nächste Position basierend auf Standard-kinematischen Gleichungen voraus. Dieser Schritt schätzt zudem die mit dieser Vorhersage verbundene Unsicherheit.

2. Aktualisierung: Sobald ein neuer Messwert von einem Sensor eintrifft, vergleicht der Filter den vorhergesagten Zustand mit den beobachteten Daten. Er berechnet einen gewichteten Durchschnitt – bestimmt durch die Kalman-Gain –, der dem Wert (Vorhersage oder Messung) mehr Vertrauen entgegenbringt, der eine geringere Unsicherheit aufweist. Das Ergebnis ist eine verfeinerte Zustandsschätzung, die als Grundlage für den nächsten Zyklus dient.

Link to this sectionAnwendungen in Computer Vision und KI#

Obwohl er ursprünglich in der Regelungstechnik und Luft- und Raumfahrtnavigation verwurzelt ist, ist der Kalman-Filter heute allgegenwärtig in modernen Computer Vision (CV)-Pipelines.

• Objektverfolgung (Object Tracking): Dies ist der häufigste Anwendungsfall. Wenn ein Erkennungsmodell wie YOLO26 ein Objekt in einem Videobild identifiziert, liefert es eine statische Momentaufnahme. Um Bewegungen zu verstehen, nutzen Tracker wie BoT-SORT Kalman-Filter, um Erkennungen über Frames hinweg zu verknüpfen. Wenn ein Objekt vorübergehend verdeckt ist (nicht im Sichtfeld), verwendet der Filter die vorherige Geschwindigkeit des Objekts, um dessen Standort vorherzusagen, wodurch verhindert wird, dass das System die „Spur“ verliert oder IDs vertauscht.
• Sensorfusion in der Robotik: In der Robotik müssen Maschinen unter Verwendung mehrerer verrauschter Sensoren navigieren. Ein Lieferroboter könnte GPS (das driften kann), Raddrehgeber (die durchrutschen können) und IMUs (die verrauscht sind) verwenden. Der Kalman-Filter führt diese unterschiedlichen Eingaben zusammen, um eine einzige, zuverlässige Koordinate für die Navigation bereitzustellen, was für den sicheren Betrieb autonomer Fahrzeuge unerlässlich ist.

Link to this sectionUnterscheidung verwandter Konzepte#

Es ist hilfreich, den Standard-Kalman-Filter von seinen Variationen und Alternativen in der statistischen KI zu unterscheiden:

• Kalman-Filter vs. Extended Kalman Filter (EKF): Der Standard-KF geht davon aus, dass das System linearen Gleichungen (geraden Linien) folgt. Reale Bewegungen – wie eine Drohne in einer Kurve – sind jedoch oft nicht-linear. Der EKF löst dies, indem er die Systemdynamik in jedem Schritt mittels Ableitungen linearisiert, was ihn für komplexe Flugbahnen geeignet macht.
• Kalman-Filter vs. Partikelfilter: Während KFs auf Gaußschen Annahmen beruhen, verwenden Partikelfilter eine Reihe von Zufallsstichproben (Partikeln), um Wahrscheinlichkeitsverteilungen darzustellen. Partikelfilter sind flexibler bei nicht-Gaußschem Rauschen, erfordern jedoch deutlich mehr Rechenleistung, was sich möglicherweise auf die Geschwindigkeiten bei der Echtzeit-Inferenz auswirkt.

Link to this sectionImplementierungsbeispiel#

Im Ultralytics-Ökosystem sind Kalman-Filter direkt in die Tracking-Algorithmen integriert. Du musst die Gleichungen nicht manuell schreiben; du kannst sie nutzen, indem du Tracking-Modi aktivierst. Die Ultralytics-Plattform ermöglicht es dir, Datensätze zu verwalten und Modelle zu trainieren, die einfach mit diesen Tracking-Funktionen bereitgestellt werden können.

Hier ist ein prägnantes Beispiel mit Python für die Durchführung des Trackings mit YOLO26, bei dem der zugrunde liegende Tracker automatisch Kalman-Filterung anwendet, um die Bewegungen der Bounding Box zu glätten:

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Run tracking on a video source
# The 'botsort' tracker uses Kalman Filters internally for state estimation
results = model.track(source="traffic_video.mp4", tracker="botsort.yaml")

# Process results
for result in results:
    # Access the tracked IDs (assigned and maintained via KF logic)
    if result.boxes.id is not None:
        print(f"Tracked IDs in frame: {result.boxes.id.cpu().numpy()}")

Link to this sectionBedeutung für die Datenqualität#

Im realen Einsatz sind Daten selten perfekt. Kameras leiden unter Bewegungsunschärfe und Sensoren unter Signalrauschen. Der Kalman-Filter fungiert als ausgefeilter Mechanismus zur Datenbereinigung innerhalb der Entscheidungsschleife. Durch die kontinuierliche Verfeinerung von Schätzungen stellt er sicher, dass KI-Agenten auf Basis der wahrscheinlichsten Realität agieren, anstatt auf jeden kurzzeitigen Fehler im Eingabestrom zu reagieren. Diese Zuverlässigkeit ist von größter Bedeutung für sicherheitskritische Anwendungen, von der Überwachung von Flughafenabläufen bis hin zur präzisen industriellen Automatisierung.