Kalman Filter (KF)

Un filtro di Kalman (KF) è un algoritmo matematico ricorsivo utilizzato per stimare nel tempo lo stato di un sistema dinamico. Introdotta originariamente da Rudolf E. Kálmán, questa tecnica è essenziale per elaborare dati incerti, imprecisi o contenenti variazioni casuali, spesso chiamate "rumore". Combinando una serie di misurazioni osservate nel tempo e contenenti imprecisioni statistiche, il filtro di Kalman produce stime di variabili sconosciute più precise rispetto a quelle basate su una singola misurazione. Nei campi dell'apprendimento automatico (ML) e dell'intelligenza artificiale (AI), agisce come strumento essenziale per la modellazione predittiva, livellando i punti dati irregolari per rivelare la tendenza sottostante reale.

Come funziona il filtro di Kalman#

L'algoritmo opera secondo un ciclo in due fasi: predizione e aggiornamento (noto anche come correzione). Presuppone che il sistema sottostante sia lineare e che il rumore segua una distribuzione gaussiana (curva a campana).

1. Predizione: il filtro utilizza un modello fisico per proiettare lo stato corrente in avanti nel tempo. Ad esempio, se un oggetto si muove a velocità costante, il filtro prevede la posizione successiva in base alle equazioni cinematiche standard. Questa fase stima anche l'incertezza associata a tale previsione.

2. Aggiornamento: quando arriva una nuova misurazione da un sensore, il filtro confronta lo stato previsto con i dati osservati. Calcola una media ponderata, determinata dal guadagno di Kalman, che attribuisce maggiore attendibilità al valore (previsione o misurazione) che presenta una minore incertezza. Il risultato è una stima dello stato perfezionata, che funge da base per il ciclo successivo.

Applicazioni nella computer vision e nell'AI#

Sebbene fosse originariamente radicato nella teoria del controllo e nella navigazione aerospaziale, il filtro di Kalman è oggi onnipresente nelle pipeline moderne di visione artificiale (CV).

• Rilevamento degli oggetti: questo è il caso d'uso più comune. Quando un modello di rilevamento come YOLO26 identifica un oggetto in un fotogramma video, fornisce un'istantanea statica. Per comprendere il movimento, tracker come BoT-SORT utilizzano filtri di Kalman per collegare i rilevamenti tra i fotogrammi. Se un oggetto viene temporaneamente occluso (nascosto alla vista), il filtro utilizza la velocità precedente dell'oggetto per prevederne la posizione, impedendo al sistema di perdere la "traccia" o di cambiare ID.
• Fusione dei sensori nella robotica: nella robotica, le macchine devono navigare utilizzando più sensori rumorosi. Un robot per le consegne potrebbe usare il GPS (che può presentare deriva), encoder delle ruote (che possono slittare) e IMUs (che sono rumorose). Il filtro di Kalman fonde questi input eterogenei per fornire una singola coordinata affidabile per la navigazione, essenziale per il funzionamento sicuro dei veicoli autonomi.

Distinzione tra concetti correlati#

È utile distinguere il filtro di Kalman standard dalle sue varianti e alternative presenti nell'intelligenza artificiale statistica:

• Filtro di Kalman vs. filtro di Kalman esteso (EKF): il KF standard presuppone che il sistema segua equazioni lineari (linee rette). Tuttavia, il movimento nel mondo reale, come un drone che affronta una virata inclinandosi, è spesso non lineare. L'EKF risolve questo problema linearizzando la dinamica del sistema a ogni passaggio mediante derivate, rendendolo adatto a traiettorie complesse.
• Filtro di Kalman vs. filtro particellare: mentre i KF si basano su ipotesi gaussiane, i filtri particellari utilizzano un insieme di campioni casuali (particelle) per rappresentare le distribuzioni di probabilità. I filtri particellari sono più flessibili in presenza di rumore non gaussiano, ma richiedono una potenza di calcolo significativamente maggiore, con possibili ripercussioni sulla velocità dell'inferenza in tempo reale.

Esempio di implementazione#

Nell'ecosistema Ultralytics, i filtri di Kalman sono integrati direttamente negli algoritmi di tracking. Non è necessario scrivere manualmente le equazioni: puoi sfruttarli abilitando le modalità di tracking. La piattaforma Ultralytics ti consente di gestire dataset e addestrare modelli che possono essere facilmente distribuiti con queste funzionalità di tracking.

Ecco un esempio conciso che utilizza Python per eseguire il tracking con Ultralytics YOLO26, in cui il tracker sottostante applica automaticamente il filtraggio di Kalman per livellare i movimenti dei riquadri di delimitazione:

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()}")

Importanza per la qualità dei dati#

Nelle implementazioni nel mondo reale, i dati sono raramente perfetti. Le videocamere soffrono del motion blur e i sensori sono soggetti al rumore del segnale. Il filtro di Kalman agisce come un sofisticato meccanismo di pulizia dei dati all'interno del ciclo decisionale. Perfezionando continuamente le stime, garantisce che gli agenti di intelligenza artificiale operino sulla base della realtà più probabile, invece di reagire a ogni interferenza momentanea nel flusso di input. Questa affidabilità è fondamentale per le applicazioni critiche per la sicurezza, dal monitoraggio delle operazioni aeroportuali all'automazione industriale di precisione.