足式机器人触地检测方法的研究综述
姜晓勇,应凯健,吴起威,魏璇

Research overview on touchdown detection methods for footed robots
Xiaoyong JIANG,Kaijian YING,Qiwei WU,Xuan WEI
表 7 触地状态估计算法的对比
Tab.7 Comparison of touchdown state estimation algorithm
算法框架算法所需状态量算法原理创新与改进
基于卡尔曼滤波器 EKF[51] 全局坐标系下的机身质心
位置、速度以及在世界坐标
系下的4条腿足端位置
通过卡尔曼滤波器,融合运动编码器
数据与机载IMU测量数据,估计机器
人的状态及触地情况.
融合运动编码器数据与机载IMU测量数据,提高了触地状态估计的准确性.
UKF[45] 在更新步骤中引入异常值抑制方法,提高了算法的鲁棒性.
IEKF[52] 利用李群理论和不变观测器设计,开发接触辅助不变扩展卡尔曼滤波器,相对QEKF表现出优越的收敛性和一致性.
KF[53] 全局坐标系下的机身质心
位置、速度以及机器人广义
坐标位移、广义坐标速度
基于离散时间动量的观测器来估计
腿上的外力,利用卡尔曼滤波器,将
它与地面接触的高度概率模型和力
概率模型融合,估计接触状态.
提出基于离散时间动量的观测器GM进行腿部外力估计的方法,将估计腿上的外力、测量概率模型进行卡尔曼融合,提高了接触状态估计的准确性.
基于粒子滤波器 PF[55] 机器人广义坐标位移、广义
坐标速度
使用速度约束来生成1组一维的可能
接触点,通过粒子滤波器过滤掉不符
合的接触点.
提出使用速度测量进行本体感觉接触定位的运动学方法,利用粒子滤波器过滤掉不符合的接触点,减少接触位置的不确定性.
隐马尔可夫模型 HMM[56] 机器人广义
坐标位移、广义坐标速度、IMU测量信息
融合动力学和正向/微分运动学信息
以及IMU信息,构成完整的概率模
型,进行接触状态估计.
提出概率接触检测策略,该策略考虑全动力学和微分/正运动学,以最大限度地利用可用信息进行接触估计,提升了鲁棒性及响应速度.
监督学习 SL[57] 机器人广义
坐标位移、广义坐标速度及扭矩、IMU测
量信息
利用动力学、关节位置和扭矩测量
中估计的GRF,对不同类型步态的
不同GRF阈值进行编码处理,开展
回归分析,得到机器人的接触概率.
该方法利用逻辑分类器学习概率最高的GRF阈值,使基本速度误差最小.
无监督
学习
DL[61] 机器人广义坐标位移、广义
坐标速度、IMU测量信息以
及力传感器的测量信息
提出基于本体感觉的深度学习框架,
特别是在每条腿上安装有力/力矩传
感器和IMU,确定接触状态概率,即
动态步行行走在可变摩擦表面上的
稳定或滑动/无接触概率.
仅采用本体感觉传感,尽管它依赖于模拟的地面真实接触数据进行分类过程,但算法可以推广到不同的摩擦表面和不同的腿式机器人平台,很容易从模拟转移到实践.
强化学习 RL[62] 机器人广义坐标位移、广义
坐标速度
通过强化学习训练运动策略,推断地
形属性,如高度图、摩擦、障碍物.
提出新的运动学习框架,该框架通过不对称Actor-Critic架构,仅使用本体感觉就能推断地形属性.