学习接触表示用于足式机器人里程计

足式机器人里程计估计依赖于支撑相期间足端相对于世界速度为零的假设，这一假设使得准确的腿相位检测成为关键子问题。传统方法通常使用安装在足端的力传感器来分类接触状态，但这类传感器并非所有机器人均配备，且对滑移等干扰不敏感，导致在复杂地面条件下性能下降。近日，一篇发表在arXiv上的论文提出了一种自监督表示学习框架，仅利用关节编码器的标准传感器组即可实现接触检测，无需力传感器或人工标注。

该框架通过自监督学习从关节角度和速度数据中提取接触表示，避免了昂贵的传感器增强和标签需求。具体来说，模型学习将关节数据映射到接触概率，并采用概率模型对支撑相和摆动相进行建模，从而在不确定性下提供鲁棒的相位估计。实验在多种足式机器人平台上进行，包括四足和双足机器人，结果表明：该自监督接触检测器在接触分类准确率和里程计估计精度上均优于需要额外传感器或标签的监督方法以及传统的概率基线方法。例如，在滑移场景下，传统方法因力传感器响应延迟而失效，而本方法依靠关节编码器仍能准确检测接触。

此外，研究者已公开代码，以便其他团队复现和扩展。该方法的实际意义在于：降低了对专用力传感器的依赖，使低成本机器人也能获得可靠的里程计估计；同时，由于关节编码器是大多数足式机器人的标准配置，该方法可广泛应用于现有平台。未来，该框架有望与视觉信息融合，进一步提升在无纹理地面上的鲁棒性，推动足式机器人在搜救、勘探等领域的部署。