Optimized Kalman Filter based State Estimation and Height Control in Hopping Robots
作者: Samuel Burns, Matthew Woodward
分类: cs.RO
发布日期: 2024-08-21 (更新: 2025-06-04)
备注: 14 pages, 8 figures, 7 tables
💡 一句话要点
提出一种基于优化卡尔曼滤波的跳跃机器人状态估计与高度控制方法
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 跳跃机器人 状态估计 卡尔曼滤波 惯性测量 高度控制
📋 核心要点
- 传统跳跃机器人依赖弹道轨迹进行高度估计，易受空中作用力影响，导致估计精度下降。
- 本文提出一种基于优化卡尔曼滤波器的状态估计方法，仅使用惯性测量，通过训练学习系统特性。
- 实验表明，该方法在低计算资源下实现了较高的状态估计精度，可作为复杂机器人的降级运行模式。
📝 摘要（中文）
本文提出了一种基于转子的跳跃机器人垂直状态估计器，该估计器结合了跳跃阶段和卡尔曼滤波器，仅需惯性测量即可工作。相比于纯飞行系统，基于转子的跳跃运动显著提高了效率和运行时间。传统方法通常依赖起跳状态和假定的弹道轨迹来确定跳跃高度，但空中阶段的力（如推力和阻力）会使这一假设失效，导致估计性能下降。为了解决这个问题，一些研究采用多种传感器和强大的计算能力来实现完整状态估计，但这对轻量级、高性能、低可观测性、抗干扰跳跃系统的开发提出了挑战，尤其是在感知退化的环境中。本文提出的方法通过训练过程学习目标系统、传感器、运动行为、环境和加速度测量混叠的特性。在高达4米的跳跃高度和高达±7米/秒的速度下，该估计器在双核240 MHz处理器上以840 Hz的频率运行，机器人总质量为672克，跳跃顶点高度的平均绝对百分比误差为12.5%，空中轨迹位置和速度的平均归一化平均绝对误差分别为19%和16.5%。由于质量轻、计算能力低，该估计器还可用作更复杂机器人中传感器损坏、故障或遮挡情况下的降级运行模式。
🔬 方法详解
问题定义：现有跳跃机器人通常依赖于起跳状态和弹道轨迹假设来估计跳跃高度，然而，实际情况中空中阶段的推力和阻力等因素会显著影响轨迹，导致高度估计精度下降。此外，为了提高估计精度，一些方法依赖于多种传感器和强大的计算能力，这对于轻量级、低功耗的跳跃机器人来说是不现实的。
核心思路：本文的核心思路是利用卡尔曼滤波器进行状态估计，并通过训练过程来优化滤波器参数，使其能够学习到目标系统、传感器、运动行为以及环境的特性。这种方法只需要惯性测量单元（IMU）的数据，降低了对其他传感器的依赖，并且可以通过学习来补偿空中作用力的影响，提高估计精度。
技术框架：该方法包含两个主要阶段：跳跃阶段和卡尔曼滤波阶段。跳跃阶段负责检测起跳和着陆事件，并提供初始状态估计。卡尔曼滤波阶段则利用IMU数据和跳跃阶段的输出，进行状态预测和更新，从而得到更精确的状态估计。整个系统在双核处理器上运行，频率为840Hz。
关键创新：该方法的关键创新在于通过训练过程来优化卡尔曼滤波器参数。传统的卡尔曼滤波器需要手动调整参数，而本文提出的方法可以通过训练数据自动学习到最优参数，从而更好地适应目标系统和环境的特性。此外，该方法仅使用IMU数据，降低了对其他传感器的依赖，提高了系统的鲁棒性。
关键设计：训练过程的具体细节未知，但可以推测其目标是最小化状态估计误差。卡尔曼滤波器的具体参数设置也未知，但可以推测其状态向量包含位置、速度和姿态等信息。损失函数的设计可能考虑了跳跃顶点高度的误差以及空中轨迹的误差。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在高达4米的跳跃高度和高达±7米/秒的速度下，跳跃顶点高度的平均绝对百分比误差为12.5%，空中轨迹位置和速度的平均归一化平均绝对误差分别为19%和16.5%。该方法在双核240 MHz处理器上以840 Hz的频率运行，机器人总质量为672克，证明了其在计算资源有限的平台上的可行性。
🎯 应用场景
该研究成果可应用于轻量级、低功耗的跳跃机器人，尤其是在感知退化的环境中，如尘土、烟雾等。该方法还可作为复杂机器人在传感器故障或遮挡情况下的降级运行模式，提高机器人的可靠性和适应性。此外，该方法在搜救、侦察等领域具有潜在的应用价值。
📄 摘要（原文）
Rotor-based hopping locomotion significantly improves efficiency and operation time as compared to purely flying systems; where most hopping robots use the liftoff states and an assumed ballistic trajectory to determine the hopping height. However, significant aerial phase force (e.g., thrust and drag) can invalidate this assumption and lead to poor estimation performance. To combat this issue, a group has implemented multiple sensors (active and passive optical, inertial, and contact) and significant computational power to achieve full state estimation. This, however, poses a significant challenge to the development of light-weight, high-performance, low observable, jamming and electronic interference resistant hopping systems; especially in perceptually degraded environments (e.g., dust, smoke). Here we show a training procedure for a coupled hopping phase and Kalman filter-based vertical state estimator, requiring only inertial measurements, which is able to learn the characteristics of the target system, sensors, locomotion behaviors, environment, and acceleration measurement aliasing conditions. The resulting estimator, given hop heights up to 4 m and velocities up to $\pm7$ m/s, achieves a mean absolute percent error in the hop apex height of 12.5% with an aerial trajectory average normalized mean absolute error in position and velocity of 19% and 16.5%, respectively; while operating at 840 Hz, on a dual-core 240 MHz processor, with a total robot mass of 672 g. Due to the low mass and computational power, the presented estimator could also be used as a degraded operational mode in cases of sensor damage, malfunction, or occlusion in more complex robots.