Learning Wheel Motion Uncertainty for Degeneracy-Aware LiDAR-Inertial Odometry on Quadrupedal Wheel-Legged Robots

📄 arXiv: 2610.26550v1 📥 PDF

作者: Hairuo Wei, Yunfan Ren, Renda Yang, Qiangsheng Huang, Zhongyu Li

分类: cs.RO

发布日期: 2026-10-19

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出基于学习轮运动不确定性的LiDAR-惯性里程计以解决四足轮腿机器人定位问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 四足机器人 LiDAR 惯性里程计 运动学 不确定性学习 自主导航 机器人定位

📋 核心要点

  1. 现有的LiDAR-惯性里程计方法在轮腿机器人中面临滑移和接触丢失的问题，导致运动预测不可靠。
  2. 本文提出的框架通过学习每个轮子的方向依赖协方差，结合LiDAR和惯性数据，提升了运动预测的准确性。
  3. 在实验中，该方法在高退化比率的序列中显著降低了定位误差，展示了在复杂环境下的鲁棒性。

📝 摘要（中文）

轮子运动学可以在LiDAR几何提供弱运动约束时支持四足轮腿机器人的里程计。然而，滑移和接触丢失使得滚动预测不可靠，单靠接触状态无法确定其在不同运动方向上的可靠性。本文提出了一种紧密耦合的LiDAR-惯性-运动学里程计框架，保留了分析性的滚动预测，并从自我感知历史中学习每个轮子的方向依赖过程协方差。该估计器维护移动轮中心状态，使得学习的不确定性能够通过前向运动学校正来调节滚动预测的影响。实验结果表明，该方法在室内数据集中六个具有最高退化比率的序列中，相较于FAST-LIO2减少了66.2%的均方根误差，并在严重退化的走廊运行中实现了0.198米的终点位置误差。

🔬 方法详解

问题定义：本文旨在解决四足轮腿机器人在复杂环境中进行准确定位时，因滑移和接触丢失导致的运动预测不可靠问题。现有方法无法有效处理这些不确定性，影响了里程计的性能。

核心思路：提出的框架通过学习每个轮子的方向依赖过程协方差，结合LiDAR和惯性传感器数据，增强了对运动状态的估计。通过保持移动轮中心状态，学习的不确定性能够调节滚动预测的影响，从而提高整体定位精度。

技术框架：整体架构包括LiDAR、惯性传感器和运动学模型的紧密耦合。主要模块包括：1) 运动学预测模块，2) 协方差学习模块（CovNet），3) 退化感知投影（DAP）机制。

关键创新：最重要的创新在于引入了方向依赖的协方差学习机制，使得每个轮子的运动不确定性能够被动态调整，从而有效抑制在几何弱方向上的LiDAR约束。与现有方法相比，本文的方法在处理复杂运动条件下的鲁棒性显著提升。

关键设计：关键设计包括使用可微滤波器训练CovNet，利用模拟速度监督进行优化。此外，DAP机制通过几何分析来抑制不可靠的LiDAR约束，确保了运动估计的准确性。整体设计未在真实机器人上进行微调，直接部署即可。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，在六个高退化比率的室内序列中，该方法相较于FAST-LIO2减少了66.2%的均方根误差，并在严重退化的走廊运行中实现了0.198米的终点位置误差，显著提升了定位性能。

🎯 应用场景

该研究的潜在应用领域包括自主机器人导航、智能交通系统和无人驾驶车辆等。通过提升四足轮腿机器人的定位精度，该方法能够在复杂环境中实现更可靠的自主移动，具有重要的实际价值和未来影响。

📄 摘要（原文）

Wheel kinematics can support odometry for quadrupedal wheel-legged robots when LiDAR geometry provides weak motion constraints. However, slip and contact loss make rolling predictions unreliable, and contact state alone cannot determine their reliability across motion directions. We propose a tightly coupled LiDAR-inertial-kinematic odometry framework that retains analytical rolling predictions and learns per-wheel, direction-dependent process covariances from proprioceptive history. The estimator maintains moving wheel-center states, allowing the learned uncertainty to regulate the influence of rolling predictions through forward-kinematic corrections. Degeneracy-aware projection (DAP) complements this mechanism by suppressing LiDAR constraints along geometrically weak directions. The learned covariance network (CovNet) is trained through a differentiable filter using simulated velocity supervision and deployed on the real robot without fine-tuning. On the six room sequences with the highest degeneracy ratios in our indoor dataset, the method reduces mean per-sequence position root mean square error (RMSE) by 66.2% relative to FAST-LIO2 and by 31.0% relative to a fixed-covariance variant. In a severely degenerate corridor run, it achieves an endpoint position error of 0.198 m, compared with 7.531 m for FAST-LIO2. These results demonstrate robust odometry under challenging geometric and wheel-motion conditions. We plan to publicly release our code and multimodal dataset. Project website: https://weihairuo.github.io/wheel-motion-uncertainty/