Kalman Filter (KF)

Kalman Filtresi (KF), dinamik bir sistemin durumunu zaman içinde tahmin etmek için kullanılan özyinelemeli bir matematiksel algoritmadır. İlk olarak Rudolf E. Kálmán tarafından tanıtılan bu teknik, belirsiz, hatalı veya genellikle "gürültü" olarak adlandırılan rastgele değişimler içeren verileri işlemek için vazgeçilmezdir. Kalman Filtresi, zaman içinde gözlemlenen ve istatistiksel hatalar içeren bir dizi ölçümü birleştirerek, yalnızca tek bir ölçüme dayalı olanlardan daha kesin bilinmeyen değişken tahminleri üretir. Makine öğrenimi (ML) ve yapay zeka (AI) alanlarında, düzensiz veri noktalarını pürüzsüzleştirip altta yatan gerçek eğilimi ortaya çıkararak tahminleyici modelleme için kritik bir araç görevi görür.

Link to this sectionKalman Filtresi Nasıl Çalışır#

Algoritma iki adımlı bir döngü üzerinde çalışır: tahmin ve güncelleme (düzeltme olarak da bilinir). Altta yatan sistemin doğrusal olduğunu ve gürültünün Gauss dağılımını (çan eğrisi) izlediğini varsayar.

1. Tahmin: Filtre, mevcut durumu zaman içinde ileriye yansıtmak için fiziksel bir model kullanır. Örneğin, bir nesne sabit bir hızla hareket ediyorsa, filtre standart kinematik denklemleri temel alarak bir sonraki konumunu tahmin eder. Bu adım aynı zamanda bu tahminle ilişkili belirsizliği de tahmin eder.

2. Güncelleme: Bir sensörden yeni bir ölçüm geldiğinde, filtre tahmin edilen durumu gözlemlenen verilerle karşılaştırır. Kalman Kazancı tarafından belirlenen ağırlıklı bir ortalama hesaplar; bu ortalama, daha az belirsizliğe sahip değere (tahmin veya ölçüm) daha fazla güven duyar. Sonuç, bir sonraki döngü için temel oluşturan iyileştirilmiş bir durum kestirimidir.

Link to this sectionBilgisayarlı Görü ve Yapay Zekada Uygulamalar#

Başlangıçta kontrol teorisi ve havacılık navigasyonuna dayansa da, Kalman Filtresi günümüzde modern bilgisayarlı görü (CV) hatlarında her yerde kullanılmaktadır.

• Nesne Takibi: Bu en yaygın kullanım alanıdır. YOLO26 gibi bir tespit modeli bir video karesindeki bir nesneyi tanımladığında, statik bir anlık görüntü sağlar. Hareketi anlamak için, BoT-SORT gibi takipçiler, tespitleri kareler arasında birbirine bağlamak için Kalman Filtrelerini kullanır. Bir nesne geçici olarak gizlenirse (görüşten çıkarsa), filtre nesnenin önceki hızını kullanarak konumunu tahmin eder ve sistemin "takibi" kaybetmesini veya kimlikleri değiştirmesini engeller.
• Robotikte Sensör Füzyonu: Robotik alanında makineler, birden fazla gürültülü sensör kullanarak navigasyon yapmak zorundadır. Bir teslimat robotu GPS (kayma yapabilir), tekerlek kodlayıcıları (kayabilir) ve IMU'lar (gürültülüdür) kullanabilir. Kalman Filtresi, güvenli otonom araç operasyonları için gerekli olan navigasyon için tek ve güvenilir bir koordinat sağlamak üzere bu farklı girdileri birleştirir.

Link to this sectionİlgili Kavramları Ayırt Etme#

Standart Kalman Filtresini, istatistiksel yapay zekada bulunan varyasyonlarından ve alternatiflerinden ayırt etmek yararlıdır:

• Kalman Filtresi ve Genişletilmiş Kalman Filtresi (EKF): Standart KF, sistemin doğrusal denklemleri (düz çizgiler) izlediğini varsayar. Ancak, viraj alan bir drone gibi gerçek dünya hareketleri genellikle doğrusal değildir. EKF, sistem dinamiklerini her adımda türevler kullanarak doğrusallaştırarak bunu çözer ve karmaşık yörüngeler için uygun hale getirir.
• Kalman Filtresi ve Parçacık Filtresi: KF'ler Gauss varsayımlarına dayanırken, parçacık filtreleri olasılık dağılımlarını temsil etmek için bir dizi rastgele örnek (parçacık) kullanır. Parçacık filtreleri Gauss dışı gürültü için daha esnektir ancak önemli ölçüde daha fazla hesaplama gücü gerektirir ve bu da gerçek zamanlı çıkarım hızlarını etkileyebilir.

Link to this sectionUygulama Örneği#

Ultralytics ekosisteminde Kalman Filtreleri doğrudan takip algoritmalarına entegre edilmiştir. Denklemleri manuel olarak yazmanıza gerek yoktur; takip modlarını etkinleştirerek bunlardan yararlanabilirsiniz. Ultralytics Platformu, veri kümelerini yönetmenize ve bu takip yetenekleriyle kolayca dağıtılabilen modeller eğitmenize olanak tanır.

İşte YOLO26 ile takip gerçekleştirmek için Python kullanan kısa bir örnek; burada temel takipçi, sınırlayıcı kutu hareketlerini pürüzsüzleştirmek için Kalman filtrelemesini otomatik olarak uygular:

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 sectionVeri Kalitesi İçin Önemi#

Gerçek dünyadaki uygulamalarda veriler nadiren mükemmeldir. Kameralar hareket bulanıklığından muzdariptir ve sensörler sinyal gürültüsü yaşar. Kalman Filtresi, karar döngüsü içinde gelişmiş bir veri temizleme mekanizması görevi görür. Tahminleri sürekli olarak iyileştirerek, yapay zeka ajanlarının girdi akışındaki her anlık aksaklığa tepki vermek yerine en olası gerçeğe dayalı hareket etmelerini sağlar. Bu güvenilirlik, havaalanı operasyonlarının izlenmesinden hassas endüstriyel otomasyona kadar güvenlik açısından kritik uygulamalar için son derece önemlidir.