Kalman Filter (KF)

A Kalman Filter (KF) là một thuật toán toán học đệ quy được sử dụng để ước tính trạng thái của một hệ thống động theo thời gian. Ban đầu được giới thiệu bởi Rudolf E. Kálmán, kỹ thuật này rất cần thiết để xử lý dữ liệu không chắc chắn, không chính xác hoặc chứa các biến động ngẫu nhiên, thường được gọi là "nhiễu." Bằng cách kết hợp một chuỗi các phép đo được quan sát theo thời gian chứa các sai số thống kê, Kalman Filter tạo ra các ước tính về các biến chưa biết chính xác hơn so với những ước tính chỉ dựa trên một phép đo đơn lẻ. Trong các lĩnh vực machine learning (ML) và artificial intelligence (AI), nó đóng vai trò là một công cụ quan trọng cho predictive modeling, làm mượt các điểm dữ liệu gồ ghề để làm nổi bật xu hướng cơ bản thực tế.

Cách thức hoạt động của Bộ lọc Kalman#

Thuật toán hoạt động theo chu kỳ hai bước: dự đoán (prediction) và cập nhật (update) (còn được gọi là hiệu chỉnh). Nó giả định rằng hệ thống cơ bản là tuyến tính và nhiễu tuân theo một Gaussian distribution (đường cong hình chuông).

1. Dự đoán (Prediction): Bộ lọc sử dụng một mô hình vật lý để phóng chiếu trạng thái hiện tại tiến về phía trước trong thời gian. Ví dụ, nếu một vật thể đang chuyển động với vận tốc không đổi, bộ lọc sẽ dự đoán vị trí tiếp theo của nó dựa trên các kinematic equations tiêu chuẩn. Bước này cũng ước tính uncertainty liên quan đến dự đoán đó.

2. Cập nhật (Update): Khi một phép đo mới đến từ cảm biến, bộ lọc sẽ so sánh trạng thái được dự đoán với dữ liệu được quan sát. Nó tính toán một mức trung bình có trọng số—được xác định bởi Kalman Gain—đặt niềm tin nhiều hơn vào giá trị (dự đoán hoặc phép đo) có độ bất định nhỏ hơn. Kết quả là một state estimation được tinh chỉnh đóng vai trò là đường cơ sở cho chu kỳ tiếp theo.

Các ứng dụng trong thị giác máy tính và AI#

Mặc dù ban đầu bắt nguồn từ lý thuyết điều khiển và điều hướng hàng không vũ trụ, Kalman Filter giờ đây đã trở nên phổ biến trong các pipeline computer vision (CV) hiện đại.

• Theo dõi đối tượng (Object Tracking): Đây là trường hợp sử dụng phổ biến nhất. Khi một mô hình phát hiện như YOLO26 nhận diện một đối tượng trong một khung hình video, nó cung cấp một ảnh chụp nhanh tĩnh. Để hiểu chuyển động, các trình theo dõi như BoT-SORT tận dụng Kalman Filters để liên kết các phát hiện qua các khung hình. Nếu một đối tượng bị che khuất tạm thời (bị chặn tầm nhìn), bộ lọc sẽ sử dụng vận tốc trước đó của đối tượng để dự đoán vị trí của nó, ngăn chặn hệ thống làm mất "vết" ("track") hoặc chuyển đổi ID.
• Hợp nhất cảm biến trong Robotics (Sensor Fusion in Robotics): Trong robotics, các cỗ máy phải điều hướng bằng cách sử dụng nhiều cảm biến có nhiễu. Một robot giao hàng có thể sử dụng GPS (có thể bị trôi), bộ mã hóa bánh xe (có thể bị trượt) và IMUs (có nhiều nhiễu). Kalman Filter hợp nhất các đầu vào rời rạc này để cung cấp một tọa độ duy nhất, đáng tin cậy cho việc điều hướng, rất cần thiết cho hoạt động autonomous vehicles an toàn.

Phân biệt các khái niệm liên quan#

Việc phân biệt Kalman Filter tiêu chuẩn với các biến thể và giải pháp thay thế của nó được tìm thấy trong statistical AI là rất hữu ích:

• Kalman Filter so với Extended Kalman Filter (EKF): KF tiêu chuẩn giả định hệ thống tuân theo các phương trình tuyến tính (đường thẳng). Tuy nhiên, chuyển động trong thế giới thực—như một chiếc máyบิน nghiêng cánh quay vòng—thường là phi tuyến tính. EKF giải quyết vấn đề này bằng cách tuyến tính hóa động lực học hệ thống tại mỗi bước bằng cách sử dụng đạo hàm, làm cho nó phù hợp với các quỹ đạo phức tạp.
• Kalman Filter so với Particle Filter: Trong khi các KF dựa trên các giả định Gaussian, particle filters sử dụng một tập hợp các mẫu ngẫu nhiên (các hạt) để biểu diễn các phân phối xác suất. Particle filters linh hoạt hơn đối với nhiễu phi Gaussian nhưng đòi hỏi sức mạnh tính toán lớn hơn đáng kể, có thể ảnh hưởng đến tốc độ real-time inference.

Ví dụ về triển khai#

Trong hệ sinh thái Ultralytics, Kalman Filters được tích hợp trực tiếp vào các thuật toán theo dõi. Bạn không cần phải viết các phương trình theo cách thủ công; bạn có thể tận dụng chúng bằng cách bật các chế độ theo dõi. Ultralytics Platform cho phép bạn quản lý tập dữ liệu và huấn luyện các mô hình có thể dễ dàng triển khai với các khả năng theo dõi này.

Dưới đây là một ví dụ ngắn gọn bằng Python để thực hiện việc theo dõi với Ultralytics YOLO26, trong đó bộ theo dõi cơ sở sẽ tự động áp dụng bộ lọc Kalman để làm mượt các chuyển động của bounding box:

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()}")

Tầm quan trọng đối với chất lượng dữ liệu#

Trong quá trình triển khai thực tế, dữ liệu hiếm khi hoàn hảo. Camera gặp phải hiện tượng nhòe chuyển động, và các cảm biến trải qua nhiễu tín hiệu. Kalman Filter hoạt động như một cơ chế data cleaning tinh vi bên trong vòng lặp quyết định. Bằng cách liên tục tinh chỉnh các ước tính, nó đảm bảo rằng AI agents hoạt động dựa trên thực tế có xác suất cao nhất thay vì phản ứng với mọi trục trặc tức thời trong luồng đầu vào. Độ tin cậy này là tối quan trọng đối với các ứng dụng quan trọng về an toàn, từ việc giám sát airport operations cho đến tự động hóa công nghiệp chính xác.