State Estimation for Compliant and Morphologically Adaptive Robots

📄 arXiv: 2509.25945v2 📥 PDF

作者: Valentin Yuryev, Max Polzin, Josie Hughes

分类: cs.RO

发布日期: 2025-09-30 (更新: 2025-10-01)

备注: 8 pages, 10 figures, 1 table, preprint

💡 一句话要点

针对柔顺和形态自适应机器人，提出一种基于神经网络的状态估计方法。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 状态估计 柔顺机器人 形态自适应 神经网络 机器人学习

📋 核心要点

  1. 柔顺机器人在复杂环境中具有优势，但传统刚体假设的状态估计方法不再适用。
  2. 提出一种基于神经网络的状态估计器，融合历史状态信息，并能校正不可靠的传感器数据。
  3. 在GOAT机器人上的实验表明，该方法能有效估计形状、速度和方向，并显著提升自主导航能力。

📝 摘要（中文）

具有主动或被动柔顺性的运动机器人在不确定场景中表现出鲁棒性，这在农业、研究和环境产业中具有应用前景。然而，由于缺乏刚体假设以及形态变化引起的运动学变化，这些机器人的状态估计具有挑战性。我们提出了一种方法，用于估计典型的刚体状态以及与柔顺性相关的状态，例如不同形态和运动模式下的软机器人形状。我们的基于神经网络的状态估计器使用状态历史记录和一种直接影响不可靠传感器数据的机制。我们在GOAT平台上测试了我们的框架，该机器人能够进行被动柔顺和主动变形，以适应极端的户外地形。该网络在一个以柔顺性为中心的新颖框架中进行训练，该框架考虑了与变形相关的状态。我们的方法预测的形状相关测量值在机器人尺寸的4.2%以内，速度在线性速度的6.3%以内，角速度在2.4%以内，方向在1.5度以内。我们还展示了在电机故障期间，使用我们的估计器进行闭环自主户外操作时，行驶里程增加了300%。

🔬 方法详解

问题定义：针对具有柔顺性和形态自适应能力的机器人，传统的状态估计方法依赖于刚体假设，无法准确描述机器人的状态。由于机器人形态变化，运动学模型也会发生改变，进一步增加了状态估计的难度。因此，需要一种能够同时估计刚体状态和柔顺性相关状态（如软机器人形状）的方法。

核心思路：论文的核心思路是利用神经网络学习机器人状态与传感器数据之间的复杂关系，从而实现对柔顺和形态自适应机器人的状态估计。通过引入历史状态信息和传感器数据校正机制，提高状态估计的准确性和鲁棒性。此外，论文还提出了一个以柔顺性为中心的训练框架，以更好地捕捉与变形相关的状态。

技术框架：该方法采用基于神经网络的状态估计器，其输入包括历史状态信息和传感器数据，输出为当前时刻的机器人状态。整体流程包括数据采集、网络训练和状态估计三个阶段。数据采集阶段利用运动捕捉系统获取机器人的真实状态，并收集相应的传感器数据。网络训练阶段使用采集到的数据训练神经网络，使其能够学习状态与传感器数据之间的映射关系。状态估计阶段将传感器数据输入训练好的神经网络，得到机器人的状态估计值。

关键创新：该方法最重要的技术创新点在于将神经网络应用于柔顺和形态自适应机器人的状态估计，并提出了一个以柔顺性为中心的训练框架。与传统的基于模型的状态估计方法相比，该方法无需建立精确的机器人动力学模型，能够更好地适应机器人的复杂运动和变形。此外，该方法还引入了传感器数据校正机制，提高了状态估计的鲁棒性。

关键设计：神经网络的具体结构未知，但可以推测其可能采用循环神经网络（RNN）或Transformer等能够处理时序数据的模型。损失函数的设计可能包括状态估计误差和传感器数据校正误差两部分。以柔顺性为中心的训练框架的关键在于如何选择合适的特征来描述机器人的形状和变形，以及如何设计相应的损失函数来约束网络的输出。

📊 实验亮点

实验结果表明，该方法能够准确估计机器人的形状、速度和方向。形状相关测量值的预测误差在机器人尺寸的4.2%以内，速度预测误差在线性速度的6.3%以内，角速度预测误差在2.4%以内，方向预测误差在1.5度以内。此外，在电机故障情况下，使用该方法进行闭环自主户外操作时，行驶里程增加了300%，表明该方法具有良好的鲁棒性和实用性。

🎯 应用场景

该研究成果可应用于农业、研究和环境等领域，例如，可用于开发能够在复杂地形中自主导航的农业机器人，或用于探索未知环境的搜救机器人。通过准确估计机器人的状态，可以提高机器人的自主性和适应性，使其能够在各种复杂环境中执行任务。此外，该方法还可以推广到其他类型的柔顺机器人和形态自适应机器人。

📄 摘要（原文）

Locomotion robots with active or passive compliance can show robustness to uncertain scenarios, which can be promising for agricultural, research and environmental industries. However, state estimation for these robots is challenging due to the lack of rigid-body assumptions and kinematic changes from morphing. We propose a method to estimate typical rigid-body states alongside compliance-related states, such as soft robot shape in different morphologies and locomotion modes. Our neural network-based state estimator uses a history of states and a mechanism to directly influence unreliable sensors. We test our framework on the GOAT platform, a robot capable of passive compliance and active morphing for extreme outdoor terrain. The network is trained on motion capture data in a novel compliance-centric frame that accounts for morphing-related states. Our method predicts shape-related measurements within 4.2% of the robot's size, velocities within 6.3% and 2.4% of the top linear and angular speeds, respectively, and orientation within 1.5 degrees. We also demonstrate a 300% increase in travel range during a motor malfunction when using our estimator for closed-loop autonomous outdoor operation.