學習接觸表示用於足式機器人里程計

足式機器人里程計估計依賴於支撐相期間足端相對於世界速度為零的假設，這一假設使得準確的腿相位檢測成為關鍵子問題。傳統方法通常使用安裝在足端的力傳感器來分類接觸狀態，但這類傳感器並非所有機器人均配備，且對滑移等干擾不敏感，導致在複雜地面條件下性能下降。近日，一篇發表在arXiv上的論文提出了一種自監督表示學習框架，僅利用關節編碼器的標準傳感器組即可實現接觸檢測，無需力傳感器或人工標註。

該框架通過自監督學習從關節角度和速度數據中提取接觸表示，避免了昂貴的傳感器增強和標籤需求。具體來説，模型學習將關節數據映射到接觸概率，並採用概率模型對支撐相和擺動相進行建模，從而在不確定性下提供魯棒的相位估計。實驗在多種足式機器人平台上進行，包括四足和雙足機器人，結果表明：該自監督接觸檢測器在接觸分類準確率和里程計估計精度上均優於需要額外傳感器或標籤的監督方法以及傳統的概率基線方法。例如，在滑移場景下，傳統方法因力傳感器響應延遲而失效，而本方法依靠關節編碼器仍能準確檢測接觸。

此外，研究者已公開代碼，以便其他團隊復現和擴展。該方法的實際意義在於：降低了對專用力傳感器的依賴，使低成本機器人也能獲得可靠的里程計估計；同時，由於關節編碼器是大多數足式機器人的標準配置，該方法可廣泛應用於現有平台。未來，該框架有望與視覺信息融合，進一步提升在無紋理地面上的魯棒性，推動足式機器人在搜救、勘探等領域的部署。