利用不变扩展卡尔曼滤波器和神经测量网络的四足机器人状态估计
内容提要
该文综述机器人状态估计研究，结合本体与外部感知，采用卡尔曼滤波、优化及学习方法减少非线性误差，涵盖不变扩展卡尔曼滤波、神经网络接触检测、LSTM姿态估计和Transformer强化学习，以提升四足与双足机器人在复杂地形中的运动控制与估计精度。
延伸解读
不变扩展卡尔曼滤波在腿式机器人中的应用
文章介绍了利用Lie群和不变观测器设计的接触辅助不变扩展卡尔曼滤波器（InEKF），该滤波器结合接触惯性动力学和正向运动学校正，可估计姿态、速度及所有当前接触点。研究表明，其误差动力学遵循对数线性自治微分方程，提高了收敛性能，并产生了符合非线性系统的本地可观测矩阵。在Cassie系列双足机器人上的实验表明，其性能优于基于四元数的EKF。
神经网络在状态估计中的融合方式
文章提到一种紧密耦合的扩展卡尔曼滤波器框架，使用训练有素的神经网络回归三维位移估计及其不确定性，并在滤波器中实现测量更新，从而解决姿态、速度和传感器偏差问题。与速度积分和AHRS姿态滤波器相比，该系统在位置和姿态估计上表现更好，且网络可用于步行者数据的统计一致测量和不确定性。
学习型方法在接触检测与姿态估计中的进展
文章综述了基于深度学习的腿部接触检测框架，利用本体感知准确估计每条腿的接触状态概率，并在模拟环境中评估。此外，基于LSTM的方法丰富了动态运动和噪声模型表征，在三个姿态估计任务上取得最先进性能。这些方法展示了学习技术在减少非线性误差方面的潜力。
强化学习与Transformer在运动控制中的探索
文章提及使用基于Transformer的模型从本体感知和高维深度传感器输入中学习强化学习策略，以解决四足动物行走任务。同时，混合内部模型（HIM）结合对比学习优化嵌入响应，实现了四足机器人在各种地形和干扰下的灵活运动控制。这些方法为复杂地形下的运动控制提供了新思路。
Q&A
四足机器人状态估计中，不变扩展卡尔曼滤波器（InEKF）相比传统EKF有什么优势？
InEKF利用Lie群和不变观测器设计技术，结合接触惯性动力学和正向运动学校正，可估计姿态、速度及所有当前接触点。其误差动力学遵循对数线性自治微分方程，提高了收敛性能，并产生符合非线性系统的本地可观测矩阵。在Cassie双足机器人上的实验表明，其性能优于基于四元数的EKF。
如何利用神经网络进行四足机器人的腿部接触检测？
可以采用深度学习框架，利用本体感知信息，通过模拟得到的接触数据进行分类处理，准确且稳健地估计每条腿的接触状态概率。该框架在模拟环境中使用地面真实接触数据进行了定量和定性评估，并与先进方法对比，证明在基本估计方面效果显著。
LSTM在机器人姿态估计中有什么应用？
基于长短时记忆学习（LSTM）的方法可以丰富动态运动和噪声模型的表征，应用于计算机视觉中的三个最受欢迎的姿态估计任务，并在所有情况下获得最先进的性能表现。
Transformer模型如何用于四足机器人的运动控制？
可以使用基于Transformer的模型，从本体感知信息和高维度深度传感器输入中学习强化学习（RL）策略，以解决四足动物行走任务。
混合内部模型（HIM）在四足机器人运动控制中起什么作用？
HIM用于估计外部状态，并使用对比学习来优化嵌入响应，从而实现四足机器人在各种地形和干扰下的高度灵活、开放世界的运动控制。
如何结合本体感知和外部感知进行机器人状态估计？
可以提出一种混合解决方案，结合本体感知和外部感知信息，利用Kalman滤波、优化和基于学习的模态，对机器人躯干状态进行估计，从而减少传感器测量和模型简化带来的非线性误差，实现准确的机器人状态估计。
