Extended Kalman Filter (EKF)

O Filtro de Kalman Estendido (EKF) é um algoritmo matemático robusto projetado para estimar o estado de um sistema dinâmico que se comporta de maneira não linear. Enquanto o Filtro de Kalman (KF) padrão oferece uma solução ideal para sistemas que se movem em linhas retas ou seguem equações lineares simples, a física do mundo real raramente é tão previsível. A maioria dos objetos físicos, como um drone combatendo a resistência do vento ou um braço robótico rotacionando em múltiplos eixos, segue caminhos curvos ou complexos. O EKF aborda essa complexidade criando uma aproximação linear do sistema em um ponto específico no tempo, permitindo que engenheiros e cientistas de dados apliquem técnicas de filtragem eficientes em tarefas de modelagem preditiva mesmo quando a mecânica subjacente é complicada.

Link to this sectionMecanismo e Linearização#

Para lidar com dinâmicas complexas, o EKF emprega um processo matemático chamado linearização, que essencialmente estima a inclinação de uma função no ponto de operação atual. Isso geralmente envolve o cálculo de uma matriz Jacobiana para aproximar como o sistema muda em intervalos curtos. O algoritmo opera em um loop recursivo que consiste em duas fases principais: predição e atualização. Na fase de predição, o filtro projeta o estado atual para frente usando um modelo físico de movimento. Na fase de atualização, ele corrige essa projeção usando novos dados, geralmente ruidosos, provenientes de sensores como giroscópios ou acelerômetros. Esse ciclo contínuo de predição e correção ajuda a reduzir o ruído de dados e fornece uma estimativa do estado real mais suave e precisa do que qualquer sensor individual poderia fornecer sozinho.

Link to this sectionRelevância em Visão Computacional#

No campo da visão computacional (CV), o Filtro de Kalman Estendido desempenha um papel crítico na manutenção da identidade de itens em movimento. Modelos avançados como o YOLO26 são excepcionais em detectar objetos em quadros únicos, mas não compreendem inerentemente a continuidade do movimento ao longo do tempo. Ao integrar um EKF ou lógica similar, um sistema de rastreamento de objetos pode prever onde uma caixa delimitadora deve aparecer no próximo quadro de vídeo com base em sua velocidade e trajetória anteriores. Isso é particularmente útil para lidar com oclusões, onde um objeto é temporariamente bloqueado da visão; o filtro mantém o "rastreamento" ativo estimando a posição do objeto até que ele esteja visível novamente, uma técnica essencial para um rastreamento multi-objeto (MOT) robusto.

Link to this sectionAplicações no Mundo Real#

A versatilidade do EKF faz dele uma tecnologia fundamental em várias indústrias de alta tecnologia onde o aprendizado de máquina (ML) se cruza com o hardware físico:

• Veículos Autônomos: Carros autônomos dependem da fusão de sensores para navegar com segurança. Um EKF mescla fluxos de dados distintos de Sistemas de Posicionamento Global (GPS), LiDAR e radar para calcular a posição e orientação precisas do veículo na estrada, compensando quedas de sinal ou ruído ambiental.
• Robótica: Robôs que operam em ambientes não estruturados usam algoritmos de Localização e Mapeamento Simultâneos (SLAM). O EKF ajuda um robô a construir um mapa de uma sala enquanto determina simultaneamente sua própria localização dentro desse mapa, corrigindo o deslizamento das rodas ou a deriva dos sensores para garantir um movimento preciso.
• Estimativa de Pose: Em aplicações como realidade virtual ou análise esportiva, rastrear articulações humanas requer suavizar pontos-chave instáveis. Algoritmos EKF refinam a saída de modelos de aprendizado profundo para criar animações de movimento naturais e fluidas para sistemas de reconhecimento de ação.

Link to this sectionComparação com conceitos relacionados#

É útil distinguir o Filtro de Kalman Estendido de outros métodos de filtragem para entender sua utilidade específica:

• EKF vs. Filtro de Kalman (KF): O KF padrão é matematicamente ideal e computacionalmente mais barato, mas falha quando os sistemas são altamente não lineares. O EKF estende o KF para funcionar com sistemas não lineares via aproximação.
• EKF vs. Filtro de Partículas: Um Filtro de Partículas gerencia muito bem a não linearidade e o ruído não gaussiano usando muitas amostras aleatórias (partículas) para representar a probabilidade. No entanto, ele requer significativamente mais poder computacional, tornando o EKF uma escolha preferencial para sistemas embarcados com recursos limitados.
• EKF vs. Filtro de Kalman Inodoro (UKF): O Filtro de Kalman Inodoro oferece um meio-termo, usando pontos de amostragem determinísticos para lidar com a não linearidade sem o cálculo complexo exigido pelo EKF, embora o EKF continue sendo um padrão da indústria para muitos sistemas de controle.

Link to this sectionExemplo de Implementação#

No pacote ultralytics, os algoritmos de rastreamento usam conceitos de filtragem de Kalman internamente para suavizar trajetórias e associar detecções entre quadros. Embora você não codifique manualmente a matemática matricial do EKF ao usar ferramentas de alto nível, entender que ele alimenta o rastreador ajuda na configuração de parâmetros para a Plataforma Ultralytics.

Aqui está como iniciar um rastreador com um modelo YOLO, que utiliza essas técnicas de filtragem para estimativa de estado:

from ultralytics import YOLO

# Load the latest YOLO26 model (nano version for speed)
model = YOLO("yolo26n.pt")

# Track objects in a video source
# Trackers like BoT-SORT or ByteTrack use Kalman filtering logic internally
results = model.track(source="https://ultralytics.com/images/bus.jpg", tracker="botsort.yaml")

# Print the ID of the tracked objects
for r in results:
    if r.boxes.id is not None:
        print(f"Track IDs: {r.boxes.id.numpy()}")