
Un algoritmo que estima el estado de un sistema a partir de mediciones ruidosas a lo largo del tiempo.El filtro de Kalman es un algoritmo que produce estimaciones del estado real de un sistema a partir de una serie de mediciones contaminadas por ruido. Lo hace combinando una predicción de dónde debería estar el sistema (basada en un modelo físico) con las mediciones reales, ponderando cada una según su incertidumbre. El resultado es una estimación óptima que minimiza el error cuadrático medio, siempre que el ruido sea gaussiano y la dinámica del sistema sea lineal.
Desarrollado por Rudolf E. Kálmán en 1960, basándose en trabajos anteriores de otros sobre el filtrado de Wiener y los modelos de espacio de estados.
El filtro opera en dos pasos: predecir y actualizar. En el paso de predicción, utiliza la dinámica del sistema para proyectar el estado actual hacia adelante en el tiempo, junto con una estimación de la incertidumbre (covarianza) de esa proyección. En el paso de actualización, compara la nueva medición con la predicción y calcula un promedio ponderado — la ganancia de Kalman — que equilibra la confianza en el modelo frente a la confianza en el sensor. La ganancia se elige para minimizar la incertidumbre posterior, y el proceso se repite en cada paso de tiempo.
Se utiliza en sistemas de navegación (GPS, guiado inercial), robótica, visión por computadora y procesamiento de señales; en los artículos citados aparece en contextos como el análisis de datos de lidar y la reconstrucción de estados cuánticos.
El filtro de Kalman se utilizó en la computadora de navegación del programa Apolo para estimar la posición de la nave espacial durante las misiones lunares.





