Inferring Soil Friction Angle from Robot Foot-Ground Force Histories: A Bayesian Inverse Approach to Proprioceptive Soil Sensing
作者: Dawei Xu, Zhijie Wang
分类: cs.RO
发布日期: 2026-09-29
备注: 14 pages, 12 figures
💡 一句话要点
提出基于贝叶斯逆推的土壤摩擦角推断方法
🎯 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: 土壤摩擦角 贝叶斯逆推 四足机器人 本体感知 高斯过程 材料点法 动态环境
📋 核心要点
- 现有方法在土壤强度特征化方面缺乏有效的实时监测手段，尤其是在空间分布不均的地形中。
- 论文提出了一种基于贝叶斯逆推的框架，通过旋转腿的力历史推断土壤的摩擦角，利用高斯过程代理模型进行反演。
- 实验结果显示，该方法能够以约0.1°的中位绝对误差准确恢复摩擦角，验证了其在实际应用中的有效性。
📝 摘要（中文）
本研究探讨了四足机器人记录的足-地面相互作用信号在土壤强度空间分布特征化中的应用。作为第一步，研究验证了如何从简化旋转腿的力历史中识别无粘性土壤的内部摩擦角φ。通过使用材料点法实现的二维连续模型生成训练数据，并利用两个高斯过程代理模型支持全历史的贝叶斯反演。在匹配模型实验中，该框架成功恢复了14个离散摩擦角，绝对误差中位数约为0.1°（最大约0.7°），且所有报告的可信区间均包含真实值。这些结果表明，当前向模型正确指定时，φ是可识别的，并支持进一步发展用于空间可变地形的本体感知土壤传感技术。
🔬 方法详解
问题定义：本研究旨在解决如何从四足机器人足-地面相互作用信号中推断土壤的摩擦角φ的问题。现有方法在动态和复杂地形中难以准确评估土壤强度，缺乏有效的实时反馈机制。
核心思路：论文的核心思路是通过建立一个基于材料点法的二维连续模型，生成旋转腿的力历史数据，并利用贝叶斯逆推方法从这些数据中推断土壤摩擦角。这样的设计使得可以在实际环境中进行土壤特征的实时评估。
技术框架：整体架构包括三个主要模块：首先，使用材料点法生成旋转腿的力历史数据；其次，构建高斯过程代理模型以支持贝叶斯反演；最后，通过匹配模型实验验证推断结果的准确性。
关键创新：最重要的技术创新点在于将贝叶斯逆推方法与高斯过程代理模型结合，能够有效处理土壤摩擦角的推断问题，并在不同地形条件下保持高精度。与现有方法相比，该方法在动态环境中表现出更强的适应性和准确性。
关键设计：在模型设计中，关键参数包括旋转腿的运动特性和力历史的采样频率，损失函数采用了基于绝对误差的度量，以确保推断结果的准确性。网络结构方面，采用了高斯过程回归模型，能够有效捕捉数据中的不确定性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在恢复14个离散摩擦角时，绝对误差中位数为0.1°，最大误差约为0.7°，且所有可信区间均包含真实值。这一性能显著优于传统方法，验证了其在实际应用中的有效性。
🎯 应用场景
该研究的潜在应用领域包括机器人在复杂地形中的自主导航、土壤强度实时监测以及灾后评估等。通过实现本体感知土壤传感技术，机器人能够更好地适应不同的地形条件，提高其在实际环境中的工作效率和安全性。
📄 摘要（原文）
Foot-ground interaction signals recorded by quadruped robots may enable spatially distributed, in situ characterization of soil strength. As a first step, we test whether the internal friction angle $φ$ of cohesionless soil can be identified from the force history of a simplified rotating leg. A two-dimensional continuum model implemented with the material point method, benchmarked against measured rotating-leg force histories, generates the training data, and two Gaussian-process surrogates support Bayesian inversion of the full histories. In matched-model experiments, the framework recovers 14 off-grid friction angles with a median absolute error of approximately $0.1^\circ$ (maximum $\sim 0.7^\circ$); the reported credible intervals contain the true value in every case. These results establish that $φ$ is identifiable when the forward model is correctly specified, and support further development of proprioceptive soil sensing for spatially variable terrain, with applications from physics-grounded world models for robot training to post-wildfire slope assessment.