Multi-Momentum Observer Contact Estimation for Bipedal Robots
作者: J. Joe Payne, Daniel A. Hagen, Denis Garagić, Aaron M. Johnson
分类: cs.RO, eess.SY
发布日期: 2024-12-04
💡 一句话要点
提出基于多动量观测器的双足机器人接触估计方法，无需接触传感器。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 双足机器人 接触估计 动量观测器 状态估计 马尔可夫融合
📋 核心要点
- 双足机器人可靠控制至关重要，准确估计足部接触状态是关键，避免错误控制危及机器人稳定性。
- 提出基于多动量观测器的接触模式估计方法，无需接触传感器，利用多个动态模型和马尔可夫融合。
- 实验结果表明，该方法在仿真和真实机器人数据上均表现良好，接触检测准确率分别高达98.44%和77.12%。
📝 摘要（中文）
本文提出了一种基于动量观测器的双足机器人接触模式估计方法，旨在解决传统接触传感器易受噪声、延迟、损坏等问题，且并非所有机器人均配备接触传感器的问题。该方法不依赖于接触传感器，而是利用多个同步动态模型，每个模型假设不同的接触状态。通过约束完整动力学，避免了将机器人基座视为惯性系或需要精确的基座速度估计。利用马尔可夫融合方法，根据各模型估计与测量值之间的（不）一致性来确定最可能的接触模式。在低噪声仿真中，该方法实现了高达98.44%的接触检测准确率，在使用Sarcos Guardian XO机器人（一种混合人形/外骨骼机器人）采集的数据时，准确率达到77.12%。
🔬 方法详解
问题定义：双足机器人需要准确估计足部与地面的接触状态，以便进行精确的运动控制和状态估计。传统的接触估计方法依赖于安装在足部的接触传感器，但这些传感器容易受到噪声干扰、存在时间延迟，并且容易因与地面的反复冲击而损坏，此外，并非所有机器人平台都配备此类传感器。因此，如何在没有接触传感器的情况下准确估计接触状态是一个重要的挑战。
核心思路：本文的核心思路是利用动量观测器，通过建立多个基于不同接触假设的动态模型，并比较这些模型预测结果与实际测量值之间的差异，来推断最可能的接触状态。这种方法避免了直接依赖接触传感器，而是利用了机器人自身的动力学信息。
技术框架：该方法包含以下主要步骤：1) 建立多个动态模型，每个模型对应一种可能的接触状态（例如，左脚接触、右脚接触、双脚接触、无接触）。2) 对于每个模型，利用动量观测器估计机器人的状态。3) 将每个模型的估计结果与实际测量值（例如，力/力矩传感器数据、IMU数据）进行比较，计算每个模型的残差。4) 使用马尔可夫融合方法，根据残差的大小，计算每个接触状态的概率。5) 选择概率最高的接触状态作为最终的接触估计结果。
关键创新：该方法的关键创新在于：1) 提出了多动量观测器的概念，同时使用多个基于不同接触假设的动态模型。2) 避免了传统动量观测器中将机器人基座视为惯性系的假设，而是通过约束完整动力学来处理基座运动的影响。3) 使用马尔可夫融合方法，有效地融合了来自不同模型的估计结果。
关键设计：每个动态模型都基于牛顿-欧拉方程建立，并考虑了机器人的质量、惯量、关节力矩等因素。动量观测器使用卡尔曼滤波或其他状态估计算法实现。马尔可夫融合方法使用贝叶斯规则更新每个接触状态的概率，残差的大小作为似然函数。具体参数设置需要根据机器人平台的特性进行调整。
🖼️ 关键图片
📊 实验亮点
该方法在低噪声仿真中实现了高达98.44%的接触检测准确率。在使用Sarcos Guardian XO机器人采集的真实数据进行测试时，准确率也达到了77.12%。这些结果表明，该方法在实际应用中具有良好的性能和鲁棒性。与依赖接触传感器的方法相比，该方法无需额外的硬件设备，降低了成本和复杂性。
🎯 应用场景
该研究成果可应用于各种双足机器人，包括人形机器人、外骨骼机器人和康复机器人等。准确的接触估计能够提高机器人的运动控制精度和稳定性，使其能够在更复杂的环境中安全可靠地工作。此外，该方法还可以用于机器人故障诊断和状态监测，例如，通过检测异常的接触状态来判断机器人是否发生故障。
📄 摘要（原文）
As bipedal robots become more and more popular in commercial and industrial settings, the ability to control them with a high degree of reliability is critical. To that end, this paper considers how to accurately estimate which feet are currently in contact with the ground so as to avoid improper control actions that could jeopardize the stability of the robot. Additionally, modern algorithms for estimating the position and orientation of a robot's base frame rely heavily on such contact mode estimates. Dedicated contact sensors on the feet can be used to estimate this contact mode, but these sensors are prone to noise, time delays, damage/yielding from repeated impacts with the ground, and are not available on every robot. To overcome these limitations, we propose a momentum observer based method for contact mode estimation that does not rely on such contact sensors. Often, momentum observers assume that the robot's base frame can be treated as an inertial frame. However, since many humanoids' legs represent a significant portion of the overall mass, the proposed method instead utilizes multiple simultaneous dynamic models. Each of these models assumes a different contact condition. A given contact assumption is then used to constrain the full dynamics in order to avoid assuming that either the body is an inertial frame or that a fully accurate estimate of body velocity is known. The (dis)agreement between each model's estimates and measurements is used to determine which contact mode is most likely using a Markov-style fusion method. The proposed method produces contact detection accuracy of up to 98.44% with a low noise simulation and 77.12% when utilizing data collect on the Sarcos Guardian XO robot (a hybrid humanoid/exoskeleton).