Kalman Filter (KF)

Um Filtro de Kalman (KF) é um algoritmo matemático recursivo utilizado para estimar o estado de um sistema dinâmico ao longo do tempo. Introduzida originalmente por Rudolf E. Kálmán, esta técnica é essencial para processar dados incertos, imprecisos ou que contêm variações aleatórias, frequentemente designadas por "ruído". Ao combinar uma série de medições observadas ao longo do tempo que contêm imprecisões estatísticas, o Filtro de Kalman produz estimativas de variáveis desconhecidas mais precisas do que as baseadas apenas numa única medição. Nos campos da aprendizagem automática (ML) e da inteligência artificial (AI), atua como uma ferramenta essencial para a modelação preditiva, suavizando pontos de dados irregulares para revelar a verdadeira tendência subjacente.

Como funciona o Filtro de Kalman#

O algoritmo funciona num ciclo de duas etapas: previsão e atualização (também conhecida como correção). Assume que o sistema subjacente é linear e que o ruído segue uma distribuição gaussiana (curva em sino).

1. Previsão: O filtro utiliza um modelo físico para projetar o estado atual no futuro. Por exemplo, se um objeto se mover a uma velocidade constante, o filtro prevê a sua próxima posição com base em equações cinemáticas padrão. Esta etapa também estima a incerteza associada a essa previsão.

2. Atualização: Quando chega uma nova medição de um sensor, o filtro compara o estado previsto com os dados observados. Calcula uma média ponderada — determinada pelo ganho de Kalman — que atribui mais confiança ao valor (previsão ou medição) que apresenta menor incerteza. O resultado é uma estimativa de estado refinada que serve de base para o ciclo seguinte.

Aplicações em visão computacional e IA#

Embora tenha tido origem na teoria do controlo e na navegação aeroespacial, o Filtro de Kalman está agora presente em praticamente todos os pipelines modernos de visão computacional (CV).

• Rastreamento de objetos: Este é o caso de utilização mais comum. Quando um modelo de deteção como o YOLO26 identifica um objeto num fotograma de vídeo, fornece um instantâneo estático. Para compreender o movimento, rastreadores como o BoT-SORT utilizam Filtros de Kalman para associar deteções entre fotogramas. Se um objeto ficar temporariamente ocluso (bloqueado da vista), o filtro utiliza a velocidade anterior do objeto para prever a sua localização, evitando que o sistema perca o "rasto" ou troque os IDs.
• Fusão de sensores em robótica: Na robótica, as máquinas têm de navegar utilizando vários sensores ruidosos. Um robô de entregas pode utilizar GPS (que pode sofrer deriva), encoders de rodas (que podem deslizar) e IMUs (que são ruidosas). O Filtro de Kalman funde estas entradas díspares para fornecer uma única coordenada fiável para a navegação, essencial para o funcionamento seguro de veículos autónomos.

Distinguir conceitos relacionados#

É útil distinguir o Filtro de Kalman padrão das suas variações e alternativas presentes na IA estatística:

• Filtro de Kalman vs. Filtro de Kalman Estendido (EKF): O KF padrão assume que o sistema segue equações lineares (linhas retas). No entanto, o movimento no mundo real — como um drone a inclinar-se numa curva — é frequentemente não linear. O EKF resolve este problema linearizando a dinâmica do sistema em cada etapa através de derivadas, tornando-o adequado para trajetórias complexas.
• Filtro de Kalman vs. Filtro de Partículas: Enquanto os KFs dependem de pressupostos gaussianos, os filtros de partículas utilizam um conjunto de amostras aleatórias (partículas) para representar distribuições de probabilidade. Os filtros de partículas são mais flexíveis para lidar com ruído não gaussiano, mas requerem significativamente mais capacidade computacional, o que pode afetar as velocidades de inferência em tempo real.

Exemplo de Implementação#

No ecossistema Ultralytics, os Filtros de Kalman estão integrados diretamente nos algoritmos de rastreamento. Não precisa de escrever as equações manualmente; pode utilizá-los ativando os modos de rastreamento. A Plataforma Ultralytics permite-lhe gerir conjuntos de dados e treinar modelos que podem ser facilmente implementados com estas capacidades de rastreamento.

Eis um exemplo conciso que utiliza Python para realizar rastreamento com o Ultralytics YOLO26, no qual o rastreador subjacente aplica automaticamente a filtragem de Kalman para suavizar os movimentos da caixa delimitadora:

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()}")

Importância para a qualidade dos dados#

Na implementação no mundo real, os dados raramente são perfeitos. As câmaras sofrem de desfoque de movimento e os sensores apresentam ruído de sinal. O Filtro de Kalman atua como um mecanismo sofisticado de limpeza de dados dentro do ciclo de decisão. Ao refinar continuamente as estimativas, garante que os agentes de IA operem com base na realidade mais provável, em vez de reagirem a cada falha momentânea no fluxo de entrada. Esta fiabilidade é fundamental para aplicações críticas para a segurança, desde a monitorização das operações aeroportuárias até à automação industrial de precisão.