Kalman Filter (KF)

Фильтр Калмана (KF) — это рекурсивный математический алгоритм, используемый для оценки состояния динамической системы во времени. Эта методика, первоначально представленная Рудольфом Э. Калманом, необходима для обработки данных, которые являются неопределенными, неточными или содержат случайные отклонения, часто называемые «шумом». Объединяя ряд последовательных измерений, содержащих статистические погрешности, фильтр Калмана формирует оценки неизвестных переменных, которые более точны, чем оценки, основанные на единичном измерении. В областях машинного обучения (ML) и искусственного интеллекта (AI) он выступает в качестве критически важного инструмента для прогнозного моделирования, сглаживая «рваные» данные для выявления истинной базовой тенденции.

Link to this sectionКак работает фильтр Калмана#

Алгоритм работает по двухэтапному циклу: предсказание и обновление (также известное как коррекция). Он предполагает, что базовая система является линейной, а шум подчиняется гауссову распределению (колоколообразная кривая).

1. Предсказание: Фильтр использует физическую модель для проецирования текущего состояния вперед во времени. Например, если объект движется с постоянной скоростью, фильтр предсказывает его следующее положение на основе стандартных кинематических уравнений. Этот шаг также оценивает неопределенность, связанную с данным прогнозом.

2. Обновление: Когда от датчика поступает новое измерение, фильтр сравнивает предсказанное состояние с наблюдаемыми данными. Он вычисляет средневзвешенное значение, определяемое коэффициентом Kalman Gain, которое отдает больше доверия тому значению (предсказанию или измерению), которое имеет меньшую неопределенность. Результатом является уточненная оценка состояния, которая служит отправной точкой для следующего цикла.

Link to this sectionПрименение в компьютерном зрении и ИИ#

Хотя фильтр Калмана изначально берет свое начало в теории управления и авиационной навигации, сегодня он повсеместно используется в современных конвейерах компьютерного зрения (CV).

• Отслеживание объектов: Это наиболее распространенный вариант использования. Когда модель обнаружения, такая как YOLO26, идентифицирует объект на кадре видео, она предоставляет статический снимок. Чтобы понимать движение, трекеры, такие как BoT-SORT, используют фильтры Калмана для связывания обнаружений между кадрами. Если объект временно перекрыт (скрыт из виду), фильтр использует предыдущую скорость объекта, чтобы предсказать его местоположение, не позволяя системе потерять «трек» или сменить ID.
• Слияние данных датчиков в робототехнике: В робототехнике машины должны перемещаться, используя множество зашумленных датчиков. Робот-доставщик может использовать GPS (который может давать погрешность), датчики вращения колес (которые могут проскальзывать) и IMU (которые создают шум). Фильтр Калмана объединяет эти разрозненные входные данные, чтобы предоставить единую надежную координату для навигации, что крайне важно для безопасной работы автономных транспортных средств.

Link to this sectionРазграничение похожих концепций#

Полезно различать стандартный фильтр Калмана и его вариации, а также альтернативы, встречающиеся в статистическом ИИ:

• Фильтр Калмана против расширенного фильтра Калмана (EKF): Стандартный KF предполагает, что система подчиняется линейным уравнениям (прямым линиям). Однако движение в реальном мире — например, дрон, совершающий поворот, — часто является нелинейным. EKF решает эту проблему путем линеаризации динамики системы на каждом шаге с использованием производных, что делает его пригодным для сложных траекторий.
• Фильтр Калмана против фильтра частиц: В то время как KF полагаются на гауссовы допущения, фильтры частиц используют набор случайных выборок (частиц) для представления распределений вероятностей. Фильтры частиц более гибкие для не-гауссова шума, но требуют значительно больше вычислительной мощности, что потенциально влияет на скорость инференса в реальном времени.

Link to this sectionПример реализации#

В экосистеме Ultralytics фильтры Калмана встроены непосредственно в алгоритмы трекинга. Тебе не нужно писать уравнения вручную; ты можешь использовать их, включив режимы отслеживания. Платформа Ultralytics позволяет управлять наборами данных и обучать модели, которые легко развертываются с использованием этих возможностей отслеживания.

Вот краткий пример использования Python для выполнения отслеживания с помощью YOLO26, где базовый трекер автоматически применяет фильтрацию Калмана для сглаживания движений ограничивающей рамки (BBox):

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 sectionВажность для качества данных#

При развертывании в реальных условиях данные редко бывают идеальными. Камеры страдают от размытия при движении, а датчики подвержены шумовым сигналам. Фильтр Калмана выступает в качестве сложного механизма очистки данных внутри цикла принятия решений. Постоянно уточняя оценки, он гарантирует, что агенты ИИ работают, основываясь на наиболее вероятной реальности, а не реагируя на каждый сиюминутный сбой во входном потоке. Эта надежность имеет первостепенное значение для критически важных приложений: от контроля аэропортовых операций до точной промышленной автоматизации.