OptiState: 采用具有基于 Transformer 的视觉和卡尔曼滤波的门控网络对四足机器人进行状态估计
内容提要
该文综述了四足与双足机器人状态估计研究，核心方法包括Transformer强化学习、扩展卡尔曼滤波、Lie群不变观测器、姿态图优化、对比学习及粒子滤波，用于估计姿态、速度、接触状态和末端位置，以提升复杂地形下的运动控制与鲁棒性。
延伸解读
多传感器融合与滤波方法演进
文章梳理了从扩展卡尔曼滤波到Lie群不变观测器的状态估计方法演进。早期工作利用神经网络回归位移和不确定性，在滤波器中实现测量更新，提升了位置和姿态估计精度。随后，基于Lie群的不变扩展卡尔曼滤波结合接触惯性动力学和正向运动学校正，在双足机器人上表现出优于四元数EKF的收敛性能。这些方法共同指向一个趋势：通过融合本体感知与外部传感器，并利用系统动力学结构，来提升状态估计的鲁棒性和准确性。
学习与优化在状态估计中的角色
文章强调了学习方法和优化技术在状态估计中的应用。例如，使用对比学习优化嵌入响应，结合混合内部模型估计外部状态，实现了四足机器人在复杂地形下的灵活运动控制。姿态图优化则被用于融合局部估计与全局传感器，实现无漂移的全局姿态估计。这些方法表明，数据驱动和优化技术能够有效处理高维输入和复杂动态，弥补传统滤波方法在非线性和不确定性场景下的不足。
接触检测与末端执行器定位的专门方法
针对特定任务，文章介绍了基于深度学习的接触检测框架和粒子滤波的末端执行器定位方法。前者利用本体感知准确估计每条腿的接触状态概率，并在模拟环境中验证了有效性；后者通过概率滤波和异步深度图像更新，在相机坐标系下实时估算末端执行器位置，避免了帧变换问题。这些专门方法针对接触和操作任务中的关键状态，提供了更精确和鲁棒的估计方案。
Q&A
OptiState 方法的核心技术是什么？
OptiState 采用具有基于 Transformer 的视觉和卡尔曼滤波的门控网络，用于四足机器人的状态估计。
四足机器人状态估计中常用的滤波方法有哪些？
常用的滤波方法包括扩展卡尔曼滤波（EKF）、不变扩展卡尔曼滤波（InEKF）和粒子滤波。
Transformer 在四足机器人状态估计中有什么应用？
Transformer 用于基于本体感知和高维深度传感器输入的强化学习，以解决四足动物行走任务。
如何实现四足机器人的接触状态估计？
可以使用深度学习框架，利用本体感知来准确和稳健地估计每条腿的接触状态概率，并通过模拟得到的接触数据进行分类处理。
Lie 群和不变观测器在状态估计中有什么作用？
Lie 群和不变观测器设计技术用于开发接触辅助不变扩展卡尔曼滤波器（InEKF），结合接触惯性动力学和正向运动学校正，可估计姿态和速度以及所有当前接触点，提高收敛性能。
姿态图优化在状态估计中如何应用？
通过姿态图优化将现有的本地估计融合到全球传感器中，实现本地准确和全球无漂移的姿态估计。
