Adaptive Invariant Extended Kalman Filter for Legged Robot State Estimation

📄 arXiv: 2510.16755v1 📥 PDF

作者: Kyung-Hwan Kim, DongHyun Ahn, Dong-hyun Lee, JuYoung Yoon, Dong Jin Hyun

分类: cs.RO, eess.SY

发布日期: 2025-10-19

备注: 6 pages, accepted to IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2025

💡 一句话要点

提出自适应不变扩展卡尔曼滤波，提升腿足机器人状态估计精度与鲁棒性

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 腿足机器人 状态估计 扩展卡尔曼滤波 自适应滤波 滑移抑制

📋 核心要点

  1. 腿足机器人状态估计对控制性能和运动稳定性至关重要，现有方法在复杂接触条件下表现欠佳，易受滑移影响。
  2. 该论文提出自适应不变扩展卡尔曼滤波，通过在线协方差估计动态调整接触足模型噪声，提升状态估计的鲁棒性。
  3. 在四足机器人LeoQuad上的实验表明，该方法在动态运动中能有效提升状态估计性能，无需额外的接触传感器。

📝 摘要（中文）

本文提出了一种自适应不变扩展卡尔曼滤波（Adaptive Invariant Extended Kalman Filter, AIEKF），旨在提高腿足机器人的本体状态估计性能。该方法基于在线协方差估计，自适应地调整接触足模型的噪声水平，从而改善在不同接触条件下的状态估计。它能有效处理传统滑移抑制方法难以解决的微小滑移，避免了过度敏感的滑移抑制设置可能导致的滤波器发散问题。该方法采用接触检测算法代替接触传感器，减少了对额外硬件的依赖。在四足机器人LeoQuad上的真实实验验证了所提方法在动态运动场景中增强的状态估计性能。

🔬 方法详解

问题定义：腿足机器人状态估计是控制和运动规划的基础，但现有方法在面对复杂地形和动态运动时，容易受到足端滑移的影响，导致状态估计精度下降甚至滤波器发散。传统的滑移抑制方法要么过于敏感导致误判，要么无法有效处理微小滑移，难以兼顾精度和鲁棒性。

核心思路：该论文的核心思路是自适应地调整接触足模型的噪声水平，使其能够根据实际接触情况动态调整对滑移的容忍度。通过在线估计接触足模型的协方差，可以判断当前接触的可靠程度，并相应地调整滤波器的增益，从而在保证状态估计精度的同时，提高对滑移的鲁棒性。

技术框架：该方法基于不变扩展卡尔曼滤波（IEKF）框架，并在此基础上引入了自适应噪声调整机制。整体流程包括：1) 状态预测；2) 接触检测（使用算法而非传感器）；3) 基于在线协方差估计的噪声自适应调整；4) 状态更新。其中，接触检测用于判断哪些足端处于接触状态，在线协方差估计用于计算接触足模型的噪声水平，状态更新则利用调整后的噪声进行滤波。

关键创新：该方法最重要的创新点在于自适应噪声调整机制。与传统的固定噪声或简单的滑移抑制方法不同，该方法能够根据实际接触情况动态调整噪声水平，从而在保证状态估计精度的同时，提高对滑移的鲁棒性。此外，使用接触检测算法代替接触传感器，降低了对硬件的依赖，提高了系统的灵活性和可靠性。

关键设计：在线协方差估计是关键设计之一，论文可能采用了滑动窗口或其他方法来估计接触足模型的协方差。具体的噪声调整策略（例如，如何将协方差映射到噪声水平）也是一个重要的设计细节。此外，接触检测算法的精度和鲁棒性也会直接影响状态估计的性能。论文中可能涉及了卡尔曼滤波器的具体参数设置，例如过程噪声和测量噪声的初始值。

📊 实验亮点

实验结果表明，所提出的自适应不变扩展卡尔曼滤波在动态运动场景中能够显著提高状态估计的精度和鲁棒性。与传统的扩展卡尔曼滤波（EKF）相比，该方法能够更好地处理足端滑移，减少状态估计误差，并避免滤波器发散。具体的性能提升数据（例如，位置误差降低百分比、姿态误差降低百分比）需要在论文中查找。

🎯 应用场景

该研究成果可广泛应用于各种腿足机器人，尤其是在复杂地形和动态运动场景下。例如，搜救机器人、巡检机器人、物流机器人等，这些机器人需要在非结构化环境中稳定可靠地运动，精确的状态估计是实现自主导航和控制的关键。该方法还有潜力应用于人机交互领域，例如外骨骼机器人和假肢，提升人机协作的安全性与自然性。

📄 摘要（原文）

State estimation is crucial for legged robots as it directly affects control performance and locomotion stability. In this paper, we propose an Adaptive Invariant Extended Kalman Filter to improve proprioceptive state estimation for legged robots. The proposed method adaptively adjusts the noise level of the contact foot model based on online covariance estimation, leading to improved state estimation under varying contact conditions. It effectively handles small slips that traditional slip rejection fails to address, as overly sensitive slip rejection settings risk causing filter divergence. Our approach employs a contact detection algorithm instead of contact sensors, reducing the reliance on additional hardware. The proposed method is validated through real-world experiments on the quadruped robot LeoQuad, demonstrating enhanced state estimation performance in dynamic locomotion scenarios.