Filtri di Kalman senza calcoli

Se programmi utilizzando valori che rappresentano qualsiasi cosa nel mondo reale, probabilmente hai almeno sentito parlare del filtro di Kalman. Il filtro consente di prendere più stime di valore e di elaborarle in una stima migliore. Ad esempio, se hai un robot che ha un'idea di dove si trova tramite GPS, navigazione stimata e un sistema ottico, il filtro di Kalman può aiutarti a stimare meglio la tua posizione reale anche se tutte queste fonti presentano errori o disturbi. Come ci si potrebbe aspettare, è coinvolta molta matematica, ma [Pravesh] ha un eccellente trattamento intuitivo basato sul codice che ha anche un taccuino Jupyter collaborativo da seguire.

Abbiamo sempre avuto più facilità a seguire il codice che la matematica, quindi applaudiamo questo tipo di post. Anche se vuoi approfondire la matematica, avere prima un'intuizione di base su cosa significa la matematica lo rende molto più accessibile.

Naturalmente, alla fine, c'è un po' di matematica, ma niente di complicato a meno che non conti lo screenshot di Wikipedia che mostra la matematica "reale" messa lì per mostrarti cosa ti stai perdendo. L'esempio è una barca con dati di navigazione stimata influenzati da vento e maree casuali e misurazioni GPS che presentano anch'esse alcuni errori e talvolta non sono disponibili, proprio come nella vita reale.

Naturalmente, una semplice media delle misurazioni può aiutare, ma può anche compromettere una buona lettura. Le tecniche di Kalman utilizzano i pesi delle fonti per mitigare questo problema in modo che le fonti apparentemente più affidabili contribuiscano maggiormente alla risposta finale rispetto a quelle meno affidabili.

Se preferisci un esempio robotico, ne abbiamo avuti anche noi. Se vuoi qualcosa di semplice e, forse, meno potente, ci sono altri modi per ripulire i dati rumorosi.