A2I-Calib: An Anti-noise Active Multi-IMU Spatial-temporal Calibration Framework for Legged Robots

📄 arXiv: 2503.06844v1 📥 PDF

作者: Chaoran Xiong, Fangyu Jiang, Kehui Ma, Zhen Sun, Zeyu Zhang, Ling Pei

分类: cs.RO

发布日期: 2025-03-10

💡 一句话要点

提出A2I-Calib框架，解决腿足机器人多IMU系统时空标定中的噪声敏感问题。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 多IMU标定 时空标定 腿足机器人 强化学习 抗噪声 主动标定 里程计

📋 核心要点

  1. 现有方法难以有效标定腿足机器人多IMU系统，主要原因是传统步态激励不足且对噪声敏感。
  2. A2I-Calib通过抗噪声轨迹生成器和强化学习控制器，实现自主时空标定，降低噪声影响。
  3. 实验结果表明，A2I-Calib能有效降低噪声敏感性和标定误差，提升多IMU里程计性能。

📝 摘要（中文）

本文提出了一种名为A$^2$I-Calib的抗噪声主动多IMU时空标定框架，旨在实现任意足端IMU的自主标定。针对腿足机器人中，由正向运动学推导的足端运动与足部IMU测量之间的时空不对齐所导致的里程计漂移问题，以及传统步态激励不足和运动链变换中IMU噪声敏感性放大的挑战，A$^2$I-Calib包含：1) 一种抗噪声轨迹生成器，利用提出的基函数选择定理最小化相关分析中的条件数，从而降低噪声敏感性；2) 一个基于强化学习（RL）的控制器，确保标定运动的稳健执行。在仿真和真实四足机器人平台上，对各种多IMU设置进行了验证，结果表明该方法显著降低了噪声敏感性和标定误差，从而提高了整体多IMU里程计性能。

🔬 方法详解

问题定义：腿足机器人依赖多节点IMU进行里程计推算，但足端运动学信息与足部IMU测量之间的时空不对齐会导致里程计漂移。现有标定方法主要针对单刚体传感器，无法有效解决腿足机器人运动链变换带来的噪声放大问题，以及传统步态激励不足的挑战。

核心思路：论文的核心思路是通过主动控制机器人的运动轨迹，最大程度地激发IMU的有效信息，同时降低噪声的影响。具体而言，设计一种抗噪声的轨迹生成器，并利用强化学习控制器确保轨迹的稳健执行，从而实现更精确的时空标定。

技术框架：A2I-Calib框架主要包含两个模块：抗噪声轨迹生成器和强化学习控制器。首先，轨迹生成器根据提出的基函数选择定理，生成具有最小条件数的轨迹，降低噪声敏感性。然后，强化学习控制器学习如何稳健地执行这些轨迹。最后，利用采集到的数据进行时空参数标定。

关键创新：该方法最重要的创新在于提出了抗噪声轨迹生成器，通过基函数选择定理，最小化相关分析中的条件数，从而降低了噪声对标定结果的影响。与传统的被动标定方法相比，A2I-Calib能够主动控制机器人的运动，从而获得更丰富的IMU信息，并降低噪声敏感性。

关键设计：基函数选择定理是关键设计之一，它指导如何选择合适的基函数来生成轨迹，以最小化相关分析中的条件数。强化学习控制器的设计也至关重要，它需要学习如何稳健地执行生成的轨迹，以确保标定数据的质量。具体的强化学习算法和奖励函数的设计细节未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文在仿真和真实四足机器人平台上验证了A2I-Calib框架的有效性。实验结果表明，该方法能够显著降低噪声敏感性和标定误差，从而提高了整体多IMU里程计性能。具体的性能提升数据未知，但论文强调了在各种多IMU设置下的鲁棒性。

🎯 应用场景

该研究成果可应用于各种腿足机器人，例如四足机器人、双足机器人和人形机器人，提高其在复杂环境下的自主导航和运动控制能力。精确的时空标定对于机器人执行高精度任务至关重要，例如搜索救援、物流运输和工业巡检等。未来，该方法可以进一步扩展到其他多传感器融合系统，提高整体系统的鲁棒性和精度。

📄 摘要（原文）

Recently, multi-node inertial measurement unit (IMU)-based odometry for legged robots has gained attention due to its cost-effectiveness, power efficiency, and high accuracy. However, the spatial and temporal misalignment between foot-end motion derived from forward kinematics and foot IMU measurements can introduce inconsistent constraints, resulting in odometry drift. Therefore, accurate spatial-temporal calibration is crucial for the multi-IMU systems. Although existing multi-IMU calibration methods have addressed passive single-rigid-body sensor calibration, they are inadequate for legged systems. This is due to the insufficient excitation from traditional gaits for calibration, and enlarged sensitivity to IMU noise during kinematic chain transformations. To address these challenges, we propose A$^2$I-Calib, an anti-noise active multi-IMU calibration framework enabling autonomous spatial-temporal calibration for arbitrary foot-mounted IMUs. Our A$^2$I-Calib includes: 1) an anti-noise trajectory generator leveraging a proposed basis function selection theorem to minimize the condition number in correlation analysis, thus reducing noise sensitivity, and 2) a reinforcement learning (RL)-based controller that ensures robust execution of calibration motions. Furthermore, A$^2$I-Calib is validated on simulation and real-world quadruped robot platforms with various multi-IMU settings, which demonstrates a significant reduction in noise sensitivity and calibration errors, thereby improving the overall multi-IMU odometry performance.