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. |