Kalman Filter (KF)

Ein Kalman Filter (KF) ist ein rekursiver mathematischer Algorithmus, der verwendet wird, um den Zustand eines dynamischen Systems im Laufe der Zeit zu schätzen. Diese Technik, die ursprünglich von Rudolf E. Kálmán eingeführt wurde, ist unerlässlich für die Verarbeitung von Daten, die unsicher oder ungenau sind oder zufällige Schwankungen enthalten, die oft als „Rauschen“ bezeichnet werden. Durch die Kombination einer Reihe von im Laufe der Zeit beobachteten Messungen, die statistische Ungenauigkeiten enthalten, erzeugt der Kalman Filter Schätzungen unbekannter Variablen, die präziser sind als solche, die allein auf einer einzigen Messung basieren. In den Bereichen machine learning (ML) und artificial intelligence (AI) fungiert er als entscheidendes Werkzeug für die predictive modeling, das unregelmäßige Datenpunkte glättet, um den wahren zugrunde liegenden Trend aufzudecken.

So funktioniert der Kalman-Filter#

Der Algorithmus arbeitet in einem Zweistufenzyklus: Vorhersage (prediction) und Aktualisierung (update, auch Korrektur genannt). Er geht davon aus, dass das zugrunde liegende System linear ist und dass das Rauschen einer Gaussian distribution (Gaußschen Verteilung oder Glockenkurve) folgt.

1. Vorhersage: Der Filter verwendet ein physikalisches Modell, um den aktuellen Zustand zeitlich nach vorne zu projizieren. Wenn sich ein Objekt beispielsweise mit konstanter Geschwindigkeit bewegt, sagt der Filter seine nächste Position basierend auf Standard-kinematic equations (kinematischen Gleichungen) voraus. Dieser Schritt schätzt auch die mit dieser Vorhersage verbundene uncertainty (Unsicherheit) ab.

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

Anwendungen in Computer Vision und KI#

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

• Objektverfolgung (Object Tracking): Dies ist der häufigste Anwendungsfall. Wenn ein Erkennungsmodell wie YOLO26 ein Objekt in einem Videobild erkennt, liefert es eine statische Momentaufnahme. Um Bewegungen zu verstehen, nutzen Tracker wie BoT-SORT Kalman Filter, um Erkennungen über verschiedene Frames hinweg zu verknüpfen. Wenn ein Objekt vorübergehend verdeckt ist (die Sicht versperrt ist), verwendet der Filter die vorherige Geschwindigkeit des Objekts, um dessen Position vorherzusagen, wodurch verhindert wird, dass das System die „Spur“ verliert oder die IDs wechselt.
• Sensordatenfusion in der Robotik: In der robotics müssen sich Maschinen mithilfe mehrerer verrauschter Sensoren navigieren. Ein Lieferroboter verwendet möglicherweise GPS (das driften kann), Rad-Encoder (die durchrutschen können) und IMUs (die Rauschen aufweisen). Der Kalman Filter führt diese unterschiedlichen Eingaben zusammen, um eine einzige, zuverlässige Koordinate für die Navigation bereitzustellen, die für den sicheren Betrieb von autonomous vehicles unerlässlich ist.

Unterscheidung verwandter Konzepte#

Es ist hilfreich, den Standard-Kalman-Filter von seinen Variationen und Alternativen zu unterscheiden, die in der statistical AI zu finden sind:

• 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 Kurvenflug-Drohne – verlaufen jedoch oft nichtlinear. Der EKF löst dieses Problem, indem er die Systemdynamik bei jedem Schritt mithilfe von Ableitungen linearisiert, wodurch er sich für komplexe Trajektorien eignet.
• Kalman Filter vs. Partikelfilter (Particle Filter): Während KFs auf Gaußschen Annahmen beruhen, verwenden particle filters eine Reihe von Zufallsstichenproben (Partikeln), um Wahrscheinlichkeitsverteilungen darzustellen. Partikelfilter sind flexibler für nicht-Gaußsches Rauschen, erfordern jedoch deutlich mehr Rechenleistung, was sich möglicherweise auf die Geschwindigkeiten der real-time inference (Echtzeit-Inferenz) auswirkt.

Implementierungsbeispiel#

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

Hier ist ein kurzes Beispiel mit Python zur Durchführung von Tracking mit Ultralytics YOLO26, bei dem der zugrunde liegende Tracker automatisch das Kalman-Filter anwendet, um die Bewegungen des Bistellungsrahmens 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()}")

Bedeutung für die Datenqualität#

Beim realen Einsatz sind Daten selten perfekt. Kameras leiden unter Bewegungsunschärfe und Sensoren erfahren Signalrauschen. Der Kalman Filter fungiert als ausgeklügelter data cleaning-Mechanismus innerhalb der Entscheidungsschleife. Durch die kontinuierliche Verfeinerung von Schätzungen stellt er sicher, dass AI agents auf der Grundlage der wahrscheinlichsten Realität agieren, anstatt auf jede vorübergehende Störung im Datenstrom zu reagieren. Diese Zuverlässigkeit ist für sicherheitskritische Anwendungen von größter Bedeutung, von der Überwachung des airport operations bis hin zu präziser Industrieautomation.