Proprioceptive Force Estimation for Quadruped Locomotion and Human-Robot Interaction
作者: Run Wang, Xu Yang, Alapati Tuerxun, Yilin Mo
分类: cs.RO
发布日期: 2026-09-28
备注: 8 pages, 10 figures
💡 一句话要点
提出一种新方法以实现四足机器人运动中的自我感知力估计
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 四足机器人 力估计 运动控制 自我感知 人机交互 深度学习
📋 核心要点
- 现有方法在四足机器人运动中难以同时处理负载力和牵引力的影响，导致运动控制精度不足。
- 本文提出了一种基于自我感知历史的三维力估计方法，通过联合训练估计器和运动策略来优化运动控制。
- 实验结果表明，该方法在速度跟踪和方向控制上显著提升，生存率也有显著提高，验证了其有效性。
📝 摘要（中文）
在四足机器人运动和人机交互中，必须考虑负载力和牵引力的影响。本文研究了一种基于自我感知历史的三维力估计方法，旨在支持这两种任务。通过联合训练估计器和运动策略，利用监督学习输出力和速度，并学习潜在上下文。估计的力不仅影响运动，还通过分析映射生成平面速度和偏航率命令。在持续力的仿真测试中，组件力均方根误差的时间均值范围为1.44至2.83N。与领域随机化基线相比，该框架在速度跟踪和基座方向误差上分别减少了21.6%和46.5%，并在独立的持续力测试中将平均生存率从68.29%提高到94.60%。Unitree Go1实验展示了在施加超过70N训练力限制的情况下进行的静态垂直和水平力估计，以及使用相同力估计接口的牵引指导。
🔬 方法详解
问题定义：本文旨在解决四足机器人在运动过程中如何有效估计负载力和牵引力的问题。现有方法在处理这两种力时存在精度不足和控制不稳定的痛点。
核心思路：论文提出了一种基于自我感知历史的三维力估计方法，通过联合训练力估计器和运动策略，以实现更高效的运动控制。这样的设计能够同时考虑负载和牵引力的影响，从而提高运动的稳定性和精确性。
技术框架：整体架构包括力估计模块和运动控制模块。力估计模块通过自我感知历史数据进行训练，输出三维力估计；运动控制模块则根据估计的力生成相应的运动指令。
关键创新：最重要的技术创新在于将力估计与运动控制策略联合训练，形成闭环控制系统。这一方法与传统的分开处理方式有本质区别，能够更好地适应动态环境。
关键设计：在参数设置上，采用了监督学习的损失函数来优化力和速度的输出，网络结构则结合了深度学习技术以提高估计精度。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提出的方法在持续力测试中，组件力均方根误差范围为1.44至2.83N，相较于领域随机化基线，速度跟踪和基座方向误差分别减少21.6%和46.5%。此外，平均生存率从68.29%提升至94.60%，验证了方法的有效性。
🎯 应用场景
该研究的潜在应用领域包括四足机器人在复杂环境中的自主导航、人机协作中的力反馈控制等。通过提高机器人对环境力的感知能力，可以增强其在实际应用中的适应性和安全性，未来可能在物流、救援等领域产生重要影响。
📄 摘要（原文）
Payload forces must be accommodated during locomotion, while leash forces can specify desired motion. We investigate whether a shared three-dimensional force estimate in newtons, inferred from proprioceptive history under sustained loading, can support both tasks. An estimator and locomotion policy are jointly trained with supervised force and velocity outputs and learned latent context. The estimated force conditions locomotion and additionally generates planar-velocity and yaw-rate commands for leash guidance through an analytical map. In sustained-force simulation sweeps, temporal means of componentwise force root mean square error range from 1.44 to 2.83\,N. Compared with a domain-randomized baseline, the framework reduces velocity-tracking and base-orientation error scores by 21.6\% and 46.5\%, respectively, and increases mean survival from 68.29\% to 94.60\% in separate sustained-force tests. Unitree Go1 experiments demonstrate stationary vertical and horizontal force estimation, locomotion with an 8.5\,kg payload whose weight exceeds the 70\,N training force limit, and leash guidance using the same force-estimation interface.