OCELOT: Odometry and Contact Estimation for Legged Robots

📄 arXiv: 2605.21863v1 📥 PDF

作者: Emre Girgin, Cagri Kilic

分类: cs.RO

发布日期: 2026-05-21

备注: 8 pages

💡 一句话要点

OCELOT：一种用于腿式机器人的里程计和接触估计方法，可应对滑移环境。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 腿式机器人 里程计 接触估计 滑移检测 扩展卡尔曼滤波器

📋 核心要点

  1. 腿式机器人仅使用自身传感器实现精确里程计是一个挑战，现有方法在滑移环境中表现不佳。
  2. 提出一种基于误差状态扩展卡尔曼滤波器(ESEKF)的里程计方案，融合接触检测和不确定性量化来抑制滑移。
  3. 在多种地形上进行了实验，验证了该方法在滑移环境中提供准确里程计估计的有效性，并开源了代码。

📝 摘要（中文）

本研究提出了一种完整的腿式机器人里程计流程，该流程基于误差状态扩展卡尔曼滤波器(ESEKF)，完全依赖于本体感受数据：固定在机器人身上的IMU、关节编码器和力传感器。滤波器状态通过被判定为静止站立的足部进行校正。核心贡献在于融合的接触检测和不确定性量化模块，旨在明确识别和拒绝滑移。该模块为每个足部并行运行两个检测器：1) 一个基于去抖动的、基于力的高斯混合模型(GMM)引导的有限状态机(FSM)，用于确认物理接触；2) 一个基于运动学的广义似然比检验(GLRT)，用于估计足部的速度。来自两个估计器的连续质量分数被融合，以检测足部是否既有物理负载又是运动学静止的，并作为每个接触的不确定性信号。为了验证该方法，收集了29个序列的多模态数据集，涵盖了各种室内和室外地形（例如，混凝土、草地、鹅卵石和岩石），总长2.4公里。将该方法与本体感受和外部感受方法进行了基准测试。结果表明，该方法在提供准确的里程计估计方面是有效的，并且能够鲁棒地处理易滑移的环境。代码和实时ROS2软件包已开源。

🔬 方法详解

问题定义：腿式机器人里程计的挑战在于仅使用本体感受传感器（IMU、关节编码器、力传感器）在复杂地形上准确估计自身位姿。现有方法容易受到足部滑移的影响，导致里程计精度下降，尤其是在易滑移的环境中。

核心思路：核心思路是融合接触检测和不确定性量化，显式地识别和拒绝滑移。通过结合基于力的接触检测和基于运动学的滑移检测，为每个足部提供一个连续的质量评分，用于评估接触的可靠性。这个质量评分被用作ESEKF的不确定性信号，从而降低滑移对里程计的影响。

技术框架：整体框架包括以下几个主要模块：1) 数据采集：从IMU、关节编码器和力传感器获取数据。2) 接触检测：使用基于力的高斯混合模型(GMM)引导的有限状态机(FSM)和基于运动学的广义似然比检验(GLRT)并行检测每个足部的接触状态。3) 不确定性量化：融合两个检测器的输出，生成每个接触的不确定性信号。4) 误差状态扩展卡尔曼滤波器(ESEKF)：使用本体感受数据和接触信息估计机器人位姿，并根据接触不确定性调整滤波器的更新。

关键创新：关键创新在于融合了基于力的接触检测和基于运动学的滑移检测，并将其用于量化接触的不确定性。这种方法能够更鲁棒地识别和拒绝滑移，从而提高里程计的精度。与现有方法相比，该方法不需要额外的外部传感器，并且能够更好地适应复杂地形。

关键设计：基于力的接触检测使用GMM-FSM，通过力传感器数据判断足部是否与地面接触。基于运动学的滑移检测使用GLRT，通过足部速度的估计值判断足部是否发生滑移。GMM-FSM的参数需要根据具体的机器人和地形进行调整。GLRT的阈值需要根据实验数据进行优化。ESEKF的状态向量包括机器人的位姿、速度、加速度和IMU的偏差。测量模型包括IMU的测量值、关节编码器的测量值和力传感器的测量值。过程噪声和测量噪声的协方差矩阵需要根据实验数据进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该方法在多种地形（混凝土、草地、鹅卵石和岩石）上进行了实验验证，总长2.4公里。实验结果表明，该方法能够有效地处理滑移，并提供准确的里程计估计。与现有的本体感受和外部感受方法相比，该方法在滑移环境中表现出更强的鲁棒性。开源的代码和ROS2软件包方便了其他研究者使用和改进该方法。

🎯 应用场景

该研究成果可应用于腿式机器人的自主导航、地形探索、搜救行动和物流运输等领域。通过提高腿式机器人在复杂地形上的里程计精度，可以增强其自主性和可靠性，使其能够更好地完成各种任务。此外，该方法还可以应用于步态规划和控制，提高腿式机器人的运动性能。

📄 摘要（原文）

One of the significant challenges in legged robotics is achieving accurate odometry using only onboard proprioceptive sensors. In this study, we present a complete leg odometry pipeline based on an Error-State EKF (ESEKF) that relies exclusively on proprioceptive data: a body fixed IMU, joint encoders, and force sensors, where filter's state is corrected by feet determined to be in a stationary stance. The core of our contribution is fused contact detection and an uncertainty quantification module designed to explicitly identify and reject slippage. This module runs two detectors in parallel for each foot, 1) a debounced, force-based Gaussian Mixture Model (GMM) guided Finite State Machine (FSM) to confirm physical contact, and 2) a kinematic-based Generalized Likelihood Ratio Test (GLRT) on the estimated velocity of the foot. The continuous quality scores from both estimators are fused to detect if the foot is both physically loaded and kinematically stationary and served as an uncertainty signal for each contact. To validate our approach, we collected a multi-modal dataset of 29 sequences spanning diverse indoor and outdoor terrains (e.g., concrete, grass, pebble, and rock) total of 2.4 km long. We benchmarked our approach against both proprioceptive and exteroceptive methods. The results demonstrate our method's efficacy in providing accurate odometry estimates, robustly handling slippage-prone environments. We also share our code and real-time ROS2 package as open-source.