LAG-IO: Multi-IMU State Estimation for Legged Robots Using Factor Graphs

📄 arXiv: 2610.17870v1 📥 PDF

作者: Yicheng Zhou, Longwen Chen, Qinghua Yu, Junhao Xiao, Huimin Lu, Xieyuanli Chen

分类: cs.RO

发布日期: 2026-10-13

💡 一句话要点

提出LAG-IO以解决腿部机器人状态估计问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 状态估计 因子图 多IMU 腿部机器人 滑动窗口优化 接触检测 核密度估计

📋 核心要点

  1. 现有的腿部机器人状态估计方法依赖单一IMU，易受线性化误差和接触假设影响，导致漂移问题。
  2. LAG-IO框架通过因子图方法，结合多IMU和关节编码器的测量，优化状态估计过程。
  3. 实验表明，LAG-IO在复杂地形中表现出更高的轨迹精度和更低的垂直发散，提升了机器人在动态环境中的稳定性。

📝 摘要（中文）

稳健的本体状态估计对腿部机器人至关重要，尤其是在外部传感器不可靠的复杂环境中。传统的腿部里程计通常依赖于单个体载惯性测量单元（IMU）与腿部运动学通过扩展卡尔曼滤波器（EKF）融合，这种方法易受到线性化误差和硬接触假设的影响，导致在滑移或动态运动中严重漂移。本文提出LAG-IO，一个基于因子图的多IMU状态估计框架，紧密耦合主IMU、多个腿部IMU和关节编码器的测量，采用滑动窗口优化。为处理非平稳的足-地面交互，本文引入基于核密度估计的连续概率接触检测模块，自适应调整零速度更新（ZUPT）因子的协方差。实验结果表明，LAG-IO在各种非结构化地形上相较于现有基线实现了更高的平面轨迹精度，减少了不可观测的垂直发散，并在不稳定接触期间提供了更平滑的轨迹过渡，同时保持了竞争性的姿态可观测性。

🔬 方法详解

问题定义：本文旨在解决腿部机器人在复杂环境中状态估计的准确性问题。现有方法依赖单一IMU，容易受到线性化误差和硬接触假设的影响，导致在滑移或动态运动中出现严重漂移。

核心思路：LAG-IO框架通过因子图方法，将主IMU、多个腿部IMU和关节编码器的测量紧密耦合，采用滑动窗口优化来提高状态估计的准确性和鲁棒性。

技术框架：整体架构包括多个模块：主IMU和腿部IMU的数据采集，基于因子图的状态估计，滑动窗口优化，以及基于核密度估计的接触检测模块。

关键创新：引入了连续概率接触检测模块，通过自适应调整ZUPT因子的协方差，显著提高了对非平稳足-地面交互的处理能力，这是与传统方法的本质区别。

关键设计：在设计中，采用了滑动窗口优化策略，结合了多IMU的测量数据，并通过结构性锚定独立的腿部惯性状态与机器人主体，确保了状态估计的准确性和稳定性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，LAG-IO在多种非结构化地形上相比于现有基线，平面轨迹精度提高，垂直发散显著减少，轨迹过渡更加平滑，保持了竞争性的姿态可观测性。这些结果表明LAG-IO在动态环境中的优越性能，具体数据未提供。

🎯 应用场景

该研究具有广泛的应用潜力，尤其是在复杂和动态环境中的腿部机器人导航与操作。通过提高状态估计的准确性，LAG-IO可以增强机器人在未知或不稳定地形中的适应能力，推动其在救援、探测和服务等领域的应用。未来，随着技术的进一步发展，LAG-IO可能会被集成到更多类型的机器人系统中，提升其自主性和智能化水平。

📄 摘要（原文）

Robust proprioceptive state estimation is crucial for legged robots, particularly in challenging environments where exteroceptive sensors are unreliable. While traditional leg odometry typically relies on a single body-mounted inertial measurement unit (IMU) fused with leg kinematics via an extended Kalman filter (EKF), such methods are vulnerable to linearization errors and hard-contact assumptions, leading to severe drift during slippage or dynamic locomotion.In this paper, we propose LAG-IO, a factor graph-based multi-IMU state estimation framework that tightly couples measurements from a main body IMU, multiple leg-mounted IMUs, and joint encoders within a sliding-window optimization. To handle non-stationary foot-ground interactions, we introduce a continuous probabilistic contact detection module based on kernel density estimation (KDE), which adaptively scales the covariance of zero-velocity update (ZUPT) factors. Furthermore, kinematic relative position factors are formulated to structurally anchor the independent leg inertial states to the robot's main body. Experimental results on a quadruped robot across various unstructured terrains demonstrate that, compared to existing baselines, LAG-IO achieves higher planar trajectory accuracy, reduces unobservable vertical divergence, and provides smoother trajectory transitions during unstable contacts, while maintaining competitive attitude observability.