| 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. |