Robust Legged Robot State Estimation Using Factor Graph Optimization
Oxford Robotics Institute(牛津机器人研究所);University of Oxford(牛津大学)
足式机器人,特别是四足机器人,对于工业应用,如检查,正变得越来越有吸引力。然而,离开实验室并对最终用户有用需要在恶劣条件下的可靠性。从状态估计的角度来看,尽管存在诸如不平坦或光滑的地形、无纹理和反射场景以及动态相机遮挡等挑战,但能够准确地估计机器人的状态是至关重要的。我们的动机是减少对脚接触分类的依赖,这在滑动时会失败,并减少动态运动(如小跑)期间的位置漂移。为此,我们提出了一种用于状态估计的因子图优化方法,该方法将惯性导航、腿部里程计和视觉里程计紧密地融合在一起并使之平滑。使用ANYmal四足机器人导航在一个现实的室外工业环境中的方法的有效性得到了证明。这个实验包括小跑,步行,穿越障碍物和爬楼梯。该方法降低了高达55%的相对位置误差和76%的绝对位置误差相比,运动惯性里程计。
2019-08-12 cs.RO
Legged Robot State Estimation using Invariant Kalman Filtering and Learned Contact Events
University of Michigan(密歇根大学)
这项工作开发了一个基于学习的接触估计器的足式机器人,绕过物理传感器的需要,并采取多模态本体感觉数据作为输入。与基于视觉的状态估计器不同,本体感受状态估计器对于诸如黑暗或有雾场景之类的感知降级的情况是不可知的。虽然一些机器人配备有专用物理传感器以检测用于状态估计的必要接触数据,但是一些机器人不具有专用接触传感器,并且在不重新设计硬件的情况下添加这样的传感器是不平凡的。经过训练的网络可以估计不同地形上的接触事件。实验表明,与最先进的视觉SLAM系统相比,接触辅助不变扩展卡尔曼滤波器可以生成准确的里程轨迹,从而实现鲁棒的本体感受里程。
2021-11-29 cs.RO
Proprioceptive State Estimation of Legged Robots with Kinematic Chain Modeling
Georgia Institute of Technology(佐治亚理工学院);Florida Institute for Human & Machine Cognition(佛罗里达人机认知研究所);University of West Florida(西佛罗里达大学)
足式机器人的运动是一个具有挑战性的任务,由于无数的子问题,如混合动力学的脚接触和所需的步态对地形的影响。通过向机器人控制器提供反馈信息,浮动基座和脚关节的准确且有效的状态估计可以帮助缓解这些问题中的大部分。当前的状态估计方法高度依赖于视觉和惯性测量的结合来提供实时估计,因此在感知差的环境中受到阻碍。在这项工作中,我们表明,通过利用机器人的运动链模型,通过因子图制定,我们可以执行状态估计的基础和腿关节,主要使用本体感受惯性数据。我们执行状态估计预集成IMU测量,正向运动学计算,并在一个基于因子图的框架接触检测的组合,使我们的状态估计受到机器人模型的约束。在模拟和硬件上的实验结果表明,我们的方法优于目前的本体感觉状态估计方法的平均27%,而被推广到各种足式机器人平台。我们证明了我们的结果定量和定性的各种各样的轨迹。
2022-12-19 cs.RO
Contact-Anchored Proprioceptive Odometry for Legged and Wheel-Legged Robots
Institute of Optics and Electronics, Chinese Academy of Sciences(中国科学院光学与电子学研究所);Shenzhen Astralldynamics Technology(深圳星辰动力科技)
本文提出一种纯本体感觉状态估计器,利用IMU和电机测量估计机器人姿态和速度,通过接触作为运动学锚点,结合高度聚类和时间衰减校正,解决四足和轮腿机器人中的漂移问题。
2026-06-29 cs.RO eess.SP
VILENS: Visual, Inertial, Lidar, and Leg Odometry for All-Terrain Legged Robots
Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所)
针对足式机器人单传感器里程计估计易退化的问题,提出基于因子图的多模态紧融合里程计系统VILENS,扩展可观测线速度偏差项,实验验证其精度和鲁棒性均显著优于现有松耦合方法。
2024-10-07 cs.CV cs.RO
A2I-Calib: An Anti-noise Active Multi-IMU Spatial-temporal Calibration Framework for Legged Robots
Shanghai Jiao Tong University(上海交通大学)
本文提出A²I-Calib框架,通过抗噪声轨迹生成器和强化学习控制器实现足式机器人多IMU的自主时空标定,显著降低噪声敏感性与标定误差,从而提升多IMU里程计性能。
2025-03-10 cs.RO
Legged Robot State-Estimation Through Combined Forward Kinematic and Preintegrated Contact Factors
University of Michigan(密歇根大学);Toyota Research Institute(丰田研究院)
最先进的机器人感知系统使用惯性测量单元(IMU),摄像头和非线性优化技术已经实现了足够好的性能,它们现在正在被部署为技术。然而,这些方法中的许多显著地依赖于视觉,并且当视觉跟踪由于照明或特征稀缺而丢失时,这些方法常常失败。本文提出了一种足式机器人的状态估计技术,考虑到机器人的运动学模型,以及它与环境的接触。我们引入正向运动学因素和预集成的接触因素到一个因素图框架,可以增量实时解决。正向运动学因子通过噪声编码器测量将机器人的基本姿态与接触框架相关联。预积分接触系数提供了该接触框架的里程测量,同时考虑了可能的足部滑动。这两个因素共同约束了图形优化问题,从而可以估计机器人的轨迹。本文评估的方法,使用模拟和真实的感觉IMU和运动学数据从实验与卡西系列机器人设计的敏捷机器人。这些初步的实验表明,使用所提出的方法,除了IMU减少漂移和提高定位精度,这表明它的使用可以使成功的恢复从丢失的视觉跟踪。
2018-02-25 cs.RO
X-IONet: Cross-Platform Inertial Odometry Network for Pedestrian and Legged Robot
Intelligent Transportation Thrust, The Hong Kong University of Science and Technology (Guangzhou)(科技大学(广州)智能交通研究组);Intelligent Transportation Thrust and Artificial Intelligence Thrust, The Hong Kong University of Science and Technology (Guangzhou)(科技大学(广州)智能交通研究组和人工智能研究组);Division of Emerging Interdisciplinary Areas, The Hong Kong University of Science and Technology(科技大学新兴交叉领域研究部)
X-IONet通过单IMU实现跨平台惯性里程计,采用规则专家选择模块和双阶段注意力架构,提升四足机器人和行人导航的精度与鲁棒性。
2026-04-22 cs.LG cs.RO
TRACE: Learned Proprioceptive Odometry for Legged Robots under Unreliable Contact Conditions
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院(KAIST))
本研究提出TRACE模型,通过引入足部感知交叉注意力模块等技术,结合策略随机化与部分现实微调,提升四足机器人在不可靠接触条件下的本体里程计性能,降低位置漂移并改善仿真到现实的迁移效果。
2026-08-07 cs.AI cs.RO
Real-Time Thermal-Inertial Odometry on Embedded Hardware for High-Speed GPS-Denied Flight
Brigham Young University
该研究提出了一种嵌入式实时热惯性里程计系统,通过融合热成像与惯性数据实现高速无GPS环境下可靠飞行
2026-03-02 cs.RO
Four Simple Proprioceptive Estimators for Legged Robots
针对腿式机器人IMU漂移问题,提出四种基于足地接触的状态估计器,从接触辅助EKF到固定滞后平滑器,并在GTSAM和ROS2中实现。
2026-05-21 cs.RO
KING: Embodiment-Aware Kinematic Graph Neural Network for Unified Motion Representation of Legged and Wheeled Robots
the National Institute of Advanced Industrial Science and Technology(国立先进工业科学技术研究院)
本文针对现有运动模型对新机器人具身泛化能力差的问题,提出基于GNN的KING模型,实现轮式与腿式机器人的统一运动表示,仅需少量数据即可适配新具身并实现高精度里程计估计。
2026-08-04 cs.AI cs.RO
SUPER ODOMETRY 2.0: Resilient Odometry via Hierarchical Adaptation
Carnegie Mellon University(卡内基梅隆大学);University at Buffalo(布法罗大学)
本文提出Super Odometry 2.0传感器融合框架,通过分层自适应结构提升里程计鲁棒性,经多机器人多场景验证,为全退化环境下机器人自主提供支撑。
2026-08-27 cs.RO
Leg Exoskeleton Odometry using a Limited FOV Depth Sensor
Wandercraft(万德克拉夫特公司);Mines Paris, PSL University(巴黎矿业学院(PSL大学));Institut Polytechnique de Paris(巴黎综合理工学院);ENSTA Paris(巴黎高等先进技术学院)
针对外骨骼因人类使用者导致的视场受限和传感器运动大问题,提出融合本体感觉与深度点云的里程计算法,经实验验证可减少漂移并提升高程图质量。
2025-02-26 cs.RO
Learning Contact Representation for Leg Odometry
Department of Aerospace Engineering, Embry Riddle Aeronautical University(航空航天工程系,埃姆布里-瑞德航空大学)
提出一种自监督表示学习框架,仅利用关节编码器标准传感器集进行接触检测,无需力传感器,在足式机器人里程计中优于监督方法和基线概率方法。
2026-10-14 cs.RO
LynxScenes: A Large-Scale Real-World Benchmark for Outdoor Wheel-Legged Robot Perception, Navigation, Imagination and Reconstruction
研究推出LynxScenes大规模真实世界轮腿式机器人数据集与基准,支持四项核心任务,还提出伪闭环评估器,评估发现户外机器人导航仍存挑战,相关资源将公开发布。
2026-10-20 cs.RO
LAG-IO: Multi-IMU State Estimation for Legged Robots Using Factor Graphs
本文提出基于因子图的多IMU状态估计框架LAG-IO,通过融合多IMU与关节编码器测量值、引入KDE接触检测模块,提升四足机器人在非结构化地形下的状态估计精度与稳定性。
2026-10-14 cs.RO
DogLegs: Robust Proprioceptive State Estimation for Legged Robots Using Multiple Leg-Mounted IMUs
Center for Robotics(机器人研究中心);Institute of Geodesy and Geoinformation(大地测量与地理信息研究所);Humanoid Robots Lab(人形机器人实验室);GNSS Research Center(全球导航卫星系统研究中心)
本文提出DogLegs系统,通过扩展卡尔曼滤波融合多传感器测量,提升四足机器人在极端环境下的状态估计精度,相关代码与数据集将公开供研究使用。
2026-09-04 cs.RO
Multi-IMU Sensor Fusion for Legged Robots
Carnegie Mellon University(卡内基梅隆大学);Northwestern University(西北大学)
本文提出一种融合多IMU、关节编码器与相机数据的腿足机器人状态估计方法,通过扩展卡尔曼滤波与因子图滑动窗口估计器实现低漂移位姿和速度估计,并在多种挑战性运动场景中验证了其鲁棒性。
2025-07-15 cs.RO cs.SY eess.SY
Visual-Inertial and Leg Odometry Fusion for Dynamic Locomotion
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Tandon School of Engineering, New York University(纽约大学坦登工程学院);Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所)
实现足式机器人的动态运动行为需要一个高质量的状态估计模块。特别是当运动包括飞行阶段时,现有技术的方法无法产生机器人姿态的可靠估计,特别是基座高度。在本文中,我们提出了一种新的方法相结合的视觉惯性里程(VIO)与腿部里程的扩展卡尔曼滤波器(EKF)为基础的状态估计。VIO模块使用立体相机和IMU来产生机器人基础连杆在惯性系中的低漂移3D位置和偏航方向以及无漂移俯仰和滚动方向。然而,由于图像处理和优化,这些值具有相当大的延迟量,同时更新速率非常低,这不适合于低级控制。为了减少延迟,我们以VIO传感器的IMU测量的速率来预测VIO状态估计。EKF模块使用VIO预测的基本姿态和线速度,将它们与第二个高速率IMU和腿部里程测量进一步融合,并产生适合控制的高频率和小延迟的机器人状态估计。我们集成了这个轻量级的估计框架与非线性模型预测控制器,并成功地实现了一组敏捷的运动行为,包括小跑和跳跃在不同的水平速度,在扭矩控制的四足机器人。
2022-10-10 cs.RO
Cerberus: Low-Drift Visual-Inertial-Leg Odometry For Agile Locomotion
Carnegie Mellon University(卡内基梅隆大学)
我们提出了一个开源的视觉惯性腿里程计(VILO)状态估计解决方案,Cerberus,用于足式机器人,使用一组标准传感器,包括立体相机,IMU,关节编码器和接触传感器,实时的在各种地形上精确估计位置。除了估计机器人状态,我们还进行在线运动学参数校准和接触离群拒绝,以大大减少位置漂移。在各种室内和室外环境中的硬件实验验证了Cerberus内的运动学参数校准可以在长距离高速运动期间将估计漂移降低到低于1%。我们的漂移结果优于文献中报道的任何其他状态估计方法使用相同的传感器集。此外,我们的状态估计器表现良好,即使机器人正在经历大的影响和摄像机遮挡。状态估计器的实现以及用于计算结果的数据集可在https://github.com/ShuoYangRobotics/Cerberus上获得。
2022-09-16 cs.RO cs.SY eess.SY
Motor Angular Speed Preintegration for Multirotor UAV State Estimation
Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical University in Prague(电子工程系控制学系,布拉格捷克技术大学)
针对无人机振动导致IMU精度下降的问题,提出基于电机转速加速度预积分的方法,替代IMU进行状态传播,并构建因子用于图优化,结合LiDAR形成MAS-LO算法,相比LIO-SAM位置精度提升28%,速度精度提升65%。
2026-06-19 cs.RO
Iterated Invariant EKF for Quadruped Robot Odometry
Dynamic Legged Systems Lab, Istituto Italiano di Tecnologia(动态腿系统实验室,意大利技术研究院);Department of Mechanical Engineering, Pontifical Catholic University of Rio de Janeiro(里约热内卢天主教大学机械工程系);Department of Electrical Engineering and Computer Science, University of Liège(列日大学电气工程与计算机科学系);Mines Paris PSL, Centre for Robotics(巴黎综合理工学院机器人中心)
本文提出基于IterIEKF的新型腿式机器人状态估计算法,利用本体感觉测量和运动学约束,提高环境鲁棒性,在精度和一致性上优于传统IEKF和SO(3)基卡尔曼滤波。
2026-04-16 cs.RO
Quadrupped-Legged Robot Movement Plan Generation using Large Language Model
Institut Teknologi Sepuluh Nopember(十月份十号技术学院)
本文提出利用大语言模型生成四足机器人运动计划,通过分布式架构和实时传感器融合实现直观自然语言导航,实验显示系统在多种场景中成功率超过90%。
2025-12-24 cs.HC cs.RO
Unified Multi-Modal Landmark Tracking for Tightly Coupled Lidar-Visual-Inertial Odometry
University of Oxford(牛津大学);KTH Royal Institute of Technology(KTH皇家理工学院);Scania AB(斯堪尼亚公司)
我们提出了一个有效的多传感器里程计系统的移动平台,共同优化视觉,激光雷达和惯性信息在一个单一的综合因素图。这是使用固定滞后平滑以全帧速率实时运行的。为了实现这种紧密集成,提出了一种从激光雷达点云数据中提取三维线和平面基元的新方法。该方法克服了典型的帧到帧跟踪方法的次优性,通过将基元视为地标并在多个扫描上跟踪它们。通过激光雷达和相机帧的微妙被动同步,激光雷达功能与标准视觉功能和IMU的真正集成成为可能。3D功能的轻量级制定允许在单个CPU上实时执行。我们提出的系统已经过测试,在各种平台和场景,包括地下勘探与足式机器人和户外扫描与动态移动的手持设备,为96分钟和2.4公里的总持续时间旅行的距离。在这些测试序列中,仅使用一个外感受性传感器会导致失败,原因是几何结构约束不足(影响激光雷达)或照明变化引起的无纹理区域(影响视力)。在这些条件下,我们的因子图自然使用每个传感器模态提供的最佳信息,而无需任何硬开关。
2021-02-17 cs.CV cs.RO
Terrain-Awared LiDAR-Inertial Odometry for Legged-Wheel Robots Based on Radial Basis Function Approximation
School of Automation and Intelligent Sensing, Institute of Medical Robotics, Shanghai Jiao Tong University, and Key Laboratory of System Control and Information Processing, Ministry of Education(自动化与智能感知学院、医学机器人研究院、上海交通大学,系统控制与信息处理重点实验室)
针对腿轮机器人在非结构化地形中现有里程计易因忽略地形几何出现位姿漂移的问题,提出基于径向基函数逼近的地形感知LIO框架,结合GPU并行保障实时性,提升了复杂地形下的定位精度。
2025-09-30 cs.RO
AutoOdom: Learning Auto-regressive Proprioceptive Odometry for Legged Locomotion
Department of Automation, Tsinghua University(自动化系,清华大学);Booster Robotics(Booster机器人)
AutoOdom通过自回归训练方法,有效解决腿足运动中本体里程计的仿真到现实转移问题,显著提升导航精度和鲁棒性。
2025-11-24 cs.RO
GeoFlow-SLAM: A Robust Tightly-Coupled RGBD-Inertial and Legged Odometry Fusion SLAM for Dynamic Legged Robotics
Horizon Robotics(地平线机器人);D-Robotics(达闼机器人)
GeoFlow-SLAM 提出紧耦合 RGBD-惯性与足式里程计融合框架,利用双流光流增强快速运动下的特征匹配,并通过新型几何约束优化提升无纹理环境中的鲁棒性与精度,在足式机器人数据集上达到 SOTA。
2025-07-22 cs.AI cs.RO
UNRealNet: Learning Uncertainty-Aware Navigation Features from High-Fidelity Scans of Real Environments
Field AI(菲尔德人工智能公司);Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
针对小型移动机器人感知计算能力有限难以精确估计非结构化环境可通行性的问题,提出无需标注的UNRealNet,用低质传感器输入预测高保真导航特征,结合不确定性生成风险感知估计,性能优于基线最高40%,可部署于多类足式平台。
2024-07-11 cs.RO
LIO-MARS: Non-uniform Continuous-time Trajectories for Real-time LiDAR-Inertial-Odometry
Fraunhofer IAIS(弗劳恩霍夫智能分析与信息系统研究所)
针对搜救等场景下机器人实时鲁棒感知需求,基于MARS提出LIO-MARS激光雷达-惯性里程计,采用非均匀连续时间B样条轨迹等技术,经多类数据集验证性能达当前最优。
2025-11-17 cs.RO
On State Estimation for Legged Locomotion over Soft Terrain
Istituto Italiano di Tecnologia (IIT)(意大利技术研究院)
对于足式机器人来说,在松软地面上的运动仍然是一个具有挑战性的问题。大多数关于足式机器人的状态估计的工作是针对刚性接触设计的,并且没有考虑地形的物理参数。也就是说,这封信回答了以下问题:软地形如何以及为什么会影响足式机器人的状态估计?为此,我们利用了一个状态估计器,融合IMU测量与腿部里程计,设计与刚性接触假设。我们通过HyQ机器人在松软和坚硬地形上小跑的实验验证了状态估计器。我们证明了软地形对足式机器人的状态估计有负面影响,并且与刚性地形相比,软地形的状态估计有明显的漂移。
2021-01-06 cs.RO
Event Camera-based Visual Odometry for Dynamic Motion Tracking of a Legged Robot Using Adaptive Time Surface
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
本文提出一种结合事件和RGB-D数据的直接稀疏视觉里程计方法,利用自适应时间表面(ATS)解决图像模糊问题,实现敏捷足式机器人在动态运动中的鲁棒位姿估计。
2023-05-15 cs.CV cs.RO
GaRLILEO: Gravity-aligned Radar-Leg-Inertial Enhanced Odometry
本文提出GaRLILEO,一种基于重力对齐的雷达-腿-惯性增强里程计框架,通过连续时间 ego-velocity spline 和软 S2-constrained 重力因子提升垂直姿态估计精度,适用于复杂地形导航。
2026-06-27 cs.RO
Co-RaL: Complementary Radar-Leg Odometry with 4-DoF Optimization and Rolling Contact
该研究提出Co-RaL紧耦合雷达-腿部里程计方案,通过4自由度优化、解耦RANSAC与滚动接触建模融合芯片雷达和足式机器人传感器,提升复杂环境下定位鲁棒性与精度,并开放对应数据集。
2024-07-10 cs.RO
Self-supervised Learning of LiDAR Odometry for Robotic Applications
ETH Zürich(苏黎世联邦理工学院);Max Planck ETH Center for Learning Systems(马克斯·普朗克-苏黎世联邦理工学院学习系统中心)
可靠的机器人位姿估计是许多机器人自主管道的关键构建块,LiDAR定位是一个活跃的研究领域。在这项工作中,提出了一种通用的自监督LiDAR里程估计方法,以便在保持实时性能的同时有效利用所有可用的LiDAR数据。所提出的方法在训练期间选择性地应用几何损失,认识到可以从扫描点提取的信息量。此外,不需要标记或地面实况数据,因此使得所提出的方法适用于难以获得准确地面实况的应用中的姿态估计。此外,所提出的网络架构适用于广泛的环境和传感器模态,而不需要任何网络或损失函数调整。通过使用腿式、履带式和轮式机器人的各种实验,对所提出的方法进行了室内和室外真实世界应用的彻底测试,证明了基于学习的LiDAR测距法适用于复杂的机器人应用。
2021-06-25 cs.RO
Enhancing Graph-Based SLAM in GNSS-Denied environments by leveraging leg odometry
LinxAI Tech(LinxAI科技)
本文提出了一种基于因子图的架构,通过结合本体感觉腿部里程计和激光雷达-惯性里程计,有效减少了GNSS受限环境中视觉漂移,提高了SLAM的鲁棒性。
2026-05-19 cs.RO
LVI-Q: Robust LiDAR-Visual-Inertial-Kinematic Odometry for Quadruped Robots Using Tightly-Coupled and Efficient Alternating Optimization
School of Electrical Engineering, KAIST (Korea Advanced Institute of Science and Technology)(韩国科学技术院电子工程学院);URobotics Corp.(URobotics公司)
针对四足机器人在复杂环境中的定位漂移问题,提出紧耦合激光-视觉-惯性-运动学里程计系统,通过优化与滤波交替融合多传感器信息,在公开和长期数据集上展现出鲁棒性能。
2025-10-17 cs.RO
FOCUS: Foot Observation Confidence for Robust Humanoid Proprioceptive Odometry
Wuhan University(武汉大学);AgiBot
该研究提出FOCUS模型,通过预测足部正运动学的连续可靠性权重,改进人形本体里程计,在模拟与真实实验中显著降低了绝对轨迹误差,提升了里程计的稳健性。
2026-09-03 cs.RO
Decentralized State Estimation: An Approach using Pseudomeasurements and Preintegration
McGill University(麦吉尔大学)
本文提出基于伪测量与输入预积分的去中心化协作状态估计框架,并利用深度自编码器重建协方差信息以降低通信需求,适用于向量空间和李群状态。
2024-01-22 cs.RO
Online LiDAR-SLAM for Legged Robots with Robust Registration and Deep-Learned Loop Closure
Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所)
在本文中,我们提出了一个因子图激光雷达SLAM系统,它采用了最先进的深入学习的基于特征的闭环检测器,使足式机器人在工业环境中的本地化和地图。这些设施可能光线不好,由模糊的金属结构组成,因此我们的系统只使用激光雷达传感,并被开发为在四足机器人的导航PC上运行。在使用ICP配准进行对准之前,使用惯性-运动状态估计器来累积点云。为了关闭循环,我们使用循环建议机制,该机制匹配云之间的各个段。我们离线训练了一个描述符来匹配这些片段。我们的方法的效率来自于仔细设计网络架构,以最大限度地减少参数的数量,从而使这种深度学习方法可以仅使用足式机器人的CPU实时部署,这是这项工作的主要贡献。使用姿态图优化来更新里程计和环路闭合因子的集合。最后,我们提出了一个有效的风险对齐预测方法,验证了注册的可靠性。在工业设施的实验结果表明,我们的系统的鲁棒性和灵活性,包括自主以下路径来自SLAM地图。
2020-01-28 cs.LG cs.RO