1. 研究背景与问题定义
在足式机器人领域,精确的状态估计是实现稳定运动控制的基础前提。传统基于IMU、关节编码器等本体传感器的状态估计算法,往往建立在两个理想化假设之上:脚部与地面接触时不会发生打滑现象,以及机器人腿部结构在运动过程中保持刚性不变。然而在实际应用场景中,这两个假设经常被打破。
当机器人在湿滑地面、斜坡或非结构化地形移动时,脚部打滑几乎不可避免。我们的实测数据显示,即使在干燥的硬质地面上,四足机器人在快速小跑时也会产生3-7mm的瞬时滑动。更棘手的是,腿部结构在动态负载下会产生微米级的弹性变形,这种看似微小的变化会通过运动学链不断累积,最终导致厘米级的位姿估计误差。
关键发现:在持续10分钟的自主行走实验中,传统EKF算法产生的累积位置误差可达实际移动距离的15-20%,严重制约了机器人的自主导航能力。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 双β-卡尔曼滤波器设计原理
2.1 整体架构设计
研究团队提出的Dual β-KF采用分而治之的策略,将状态估计问题分解为两个相对独立的子问题:
- 参数滤波器:专注于估计随时间变化的腿部几何参数
- 状态滤波器:负责机器人本体位姿的鲁棒估计
这种解耦设计的优势在于:
- 参数估计不受状态估计误差的反向污染
- 每个滤波器可以针对特定问题优化目标函数
- 计算复杂度被分摊到两个并行的处理流程中
2.2 腿部参数滤波器实现
该模块采用改进的静力学测量模型,仅依赖关节扭矩τ和脚部接触力f来估计等效腿长l:
code复制l̂ = argminₗ ‖τ - Jᵀ(l)f‖² + λ‖l - lₚ‖²
其中J(l)是依赖于腿长的雅可比矩阵,lₚ是上一时刻的估计值,λ是正则化系数。这种设计巧妙规避了传统方法中状态信息与参数估计的交叉干扰问题。
2.3 β-卡尔曼状态滤波器
研究团队从概率角度重新诠释卡尔曼滤波,将其视为一个最小化KL散度的优化问题。针对脚部打滑导致的测量离群值,引入β-散度构建新的代价函数:
L(θ) = (1/β)[p(x)^β - (1+β)q(x|θ)^β p(x)^(1-β)] + q(x|θ)^(1+β)
当β→0时退化为标准KL散度,而适当增大β值可显著提升滤波器对异常测量的鲁棒性。实验表明β=0.5时能在灵敏度和鲁棒性间取得最佳平衡
