腿式机器人要估计自身行进距离（即里程计），一个核心前提是：在支撑相期间，足端相对于世界的速度保持为零。一旦能够可靠地判断某条腿何时着地、何时腾空，系统就可以通过足部的运动学串联链反推出机身的运动速度。因此，准确的腿部相位检测成为整个里程计流程中至关重要的子问题。
以往不少研究倾向于在足端安装地面反力传感器，直接测量接触力的有无来完成相位分类。这类方案效果直观，但存在两个明显短板。第一，并非所有腿式机器人平台都配备足端力传感器，硬件成本和结构改装限制了方法的通用性。第二，力传感器对某些未被建模的扰动并不敏感，例如足部仍与地面接触却发生打滑时，传感器可能依然报告接触，从而给出错误的相位判断，进而污染里程计估计。
针对上述问题，Emre Girgin 等作者在 arXiv 上发布的论文（编号 2606.05501，2026 年 6 月 3 日提交，属机器人学 cs.RO 方向，全文 17 页）提出了一种自监督的接触检测表征学习框架。该框架最大的特点是只使用机器人本来就具备的标准传感器配置——关节编码器，而不依赖任何力传感器增强或额外硬件。
在方法层面，作者通过自监督方式学习接触相关的表征，再利用这些学习到的表征对支撑相和摆动相进行概率化建模。与简单阈值判定不同，概率建模能够表达相位判断中的不确定性，使系统在边界情形下更加稳健。整个训练过程不需要人工为接触状态打标签，避免了监督学习常见的数据标注开销。
实验结果验证了该自监督接触检测器的有效性。作者报告称，其框架在性能上优于两类对比方法：一类是需要扩充传感器配置并进行人工标注的监督方法，另一类是已有的概率基线方法。这意味着该方法在降低硬件与标注成本的同时，仍能取得更高的检测质量。此外，作者已公开代码，便于社区复现与后续研究。
从更广的意义看，这项工作试图用算法弥补硬件差异，让不具备足端力传感器的腿式机器人也能获得可靠的腿部相位信息，从而支撑里程计与状态估计。它对在真实、易打滑环境中部署腿式机器人具有潜在价值，同时也为自监督表征学习在机器人本体感知中的应用提供了一个具体案例。