基于本体感觉的仿人机器人在非惯性地面上的不变状态估计
本文提出了一种基于不变扩展卡尔曼滤波（InEKF）的实时状态估计方法，用于仿人机器人在非惯性地面上仅依靠本体感觉传感器进行定位。该方法通过足部IMU利用运动学约束，无需直接测量地面运动或外部传感器。实验显示，在摇摆地面上收敛速度提高96%，位置估计误差减少80%；在旋转地面上行走的平均估计误差小于9厘米。
在仿人机器人领域，精确的状态估计是实现稳定运动控制的基础。然而，当机器人需要在非惯性地面（如移动的船舶甲板、振动平台或地震废墟）上作业时，传统的状态估计方法往往依赖于外部传感器（如GPS、视觉标记）或直接测量地面运动，这大大限制了其应用范围。针对这一挑战，来自卡内基梅隆大学等机构的研究团队提出了一种创新的不变扩展卡尔曼滤波（InEKF）方法，仅利用机器人自身的本体感觉传感器即可实现对非惯性地面上的实时状态估计。
该方法的核心创新在于，通过在机器人足部安装惯性测量单元（IMU），并利用站立脚的运动学约束来构建测量模型。该设计使得滤波器能够自然地处理地面运动引入的非线性，同时保持完全的本体感觉特性，无需任何外部参考。此外，滤波器采用了右不变测量模型，这使得即使初始误差较大，也能保证良好的误差收敛特性。研究团队还进行了可观性分析，明确了机器人相对于非惯性地面的位置和速度可观的条件，为实际应用提供了理论保障。
为了验证方法的有效性，研究团队在Digit仿人机器人上进行了多种实验。在摇摆和俯仰地面上进行站立和蹲起实验时，该方法的收敛速度比现有InEKF方法提高了96%，位置估计误差减少了80%。在单轴旋转地面上进行行走实验时，即使初始位置误差高达1米，平均估计误差仍小于9厘米。这些结果充分证明了该方法的鲁棒性和精确性。
这项研究为仿人机器人在动态环境中的稳定控制提供了关键技术支撑。未来，研究团队计划进一步扩展该方法，以处理更复杂的地面运动（如多轴旋转和随机扰动）以及多步态场景（如跑步和跳跃），从而推动仿人机器人在海事、救灾和工业等领域的实际应用。