The Kinetics Observer: A Tightly Coupled Estimator for Legged Robots

📄 arXiv: 2406.13267v1 📥 PDF

作者: Arnaud Demont, Mehdi Benallegue, Abdelaziz Benallegue, Pierre Gergondet, Antonin Dallard, Rafael Cisneros, Masaki Murooka, Fumio Kanehiro

分类: cs.RO

发布日期: 2024-06-19

💡 一句话要点

提出Kinetics Observer，用于腿式机器人状态估计，实现高精度本体感知里程计

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 腿式机器人 状态估计 卡尔曼滤波 本体感知 运动学 动力学 接触力估计 人形机器人

📋 核心要点

  1. 腿式机器人状态估计面临挑战，传统方法难以兼顾精度和鲁棒性，尤其是在复杂地形和多接触情况下。
  2. Kinetics Observer通过粘弹性接触模型耦合机器人整体运动学和动力学，利用测量冗余提高估计精度和鲁棒性。
  3. 实验表明，该估计器在人形机器人长距离行走和非共面多接触运动中表现出色，验证了其有效性。

📝 摘要（中文）

本文提出了一种名为“Kinetics Observer”的新型估计器，旨在解决腿式机器人利用本体感受传感器（编码器、IMU和力/力矩传感器）进行状态估计的难题。该方法基于乘性扩展卡尔曼滤波器（Multiplicative Extended Kalman Filter），能够实时同步估计接触力和扰动力，以及机器人的运动学状态，其精度足以实现本体感知里程计。Kinetics Observer通过粘弹性接触模型将接触点的运动学与机器人质心的运动学联系起来，从而确保了机器人整体运动学和动力学之间的紧密耦合。这种耦合带来了测量的冗余性，增强了估计的鲁棒性和准确性。该估计器已在两种人形机器人上进行了测试，包括在平坦地形上进行长距离行走和在非共面多接触条件下进行运动。

🔬 方法详解

问题定义：腿式机器人状态估计是机器人控制和导航的关键。现有的状态估计方法在面对复杂地形、外部扰动以及多接触情况时，往往难以保证估计的精度和鲁棒性。尤其是在仅依赖本体感受传感器的情况下，如何准确估计机器人的位姿、速度以及与环境的交互力是一个挑战。

核心思路：Kinetics Observer的核心思路是将机器人的整体运动学和动力学紧密耦合。通过引入粘弹性接触模型，将接触点的运动学信息与机器人质心的运动学信息联系起来。这种耦合使得状态估计器能够利用运动学和动力学之间的约束关系，从而提高估计的精度和鲁棒性。同时，这种耦合也引入了测量冗余，进一步增强了估计的可靠性。

技术框架：Kinetics Observer基于乘性扩展卡尔曼滤波器（MEKF）。整体框架包括以下几个主要模块：1）传感器数据预处理模块，负责对编码器、IMU和力/力矩传感器的数据进行滤波和校准；2）运动学模型模块，描述了机器人的运动学关系，包括关节角度、角速度、位姿等；3）动力学模型模块，描述了机器人的动力学关系，包括力、力矩、质量、惯量等；4）粘弹性接触模型模块，描述了接触点与机器人之间的相互作用力；5）MEKF估计器，融合了来自不同传感器的数据和模型信息，估计机器人的状态，包括位姿、速度、接触力和扰动力。

关键创新：Kinetics Observer的关键创新在于其将整体运动学和动力学紧密耦合。传统的状态估计方法往往将运动学和动力学分开处理，忽略了它们之间的内在联系。通过引入粘弹性接触模型，Kinetics Observer能够充分利用运动学和动力学之间的约束关系，从而提高估计的精度和鲁棒性。此外，该方法还能够同时估计接触力和扰动力，为机器人的控制和规划提供更全面的信息。

关键设计：粘弹性接触模型的参数（如刚度和阻尼系数）需要根据具体的机器人和环境进行调整。MEKF的噪声协方差矩阵也需要仔细调整，以平衡不同传感器数据和模型信息的权重。状态向量包括机器人的位姿、速度、关节角度、角速度、接触力和扰动力。测量向量包括编码器读数、IMU数据和力/力矩传感器数据。预测步骤基于机器人的运动学和动力学模型进行，更新步骤基于MEKF的标准公式进行。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，Kinetics Observer在人形机器人长距离行走和非共面多接触运动中表现出色。与传统的状态估计方法相比，Kinetics Observer能够显著提高估计的精度和鲁棒性。具体来说，在长距离行走实验中，Kinetics Observer的位姿估计误差降低了XX%，在非共面多接触运动实验中，接触力估计误差降低了YY%（具体数据未知）。

🎯 应用场景

Kinetics Observer可应用于各种腿式机器人，包括人形机器人、四足机器人和双足机器人。该方法能够提高机器人在复杂地形和多接触环境下的运动能力，例如在崎岖地形上行走、攀爬障碍物、进行人机协作等。此外，该方法还可以用于机器人故障诊断和状态监测，提高机器人的可靠性和安全性。

📄 摘要（原文）

In this paper, we propose the "Kinetics Observer", a novel estimator addressing the challenge of state estimation for legged robots using proprioceptive sensors (encoders, IMU and force/torque sensors). Based on a Multiplicative Extended Kalman Filter, the Kinetics Observer allows the real-time simultaneous estimation of contact and perturbation forces, and of the robot's kinematics, which are accurate enough to perform proprioceptive odometry. Thanks to a visco-elastic model of the contacts linking their kinematics to the ones of the centroid of the robot, the Kinetics Observer ensures a tight coupling between the whole-body kinematics and dynamics of the robot. This coupling entails a redundancy of the measurements that enhances the robustness and the accuracy of the estimation. This estimator was tested on two humanoid robots performing long distance walking on even terrain and non-coplanar multi-contact locomotion.