CoCo-InEKF：基于动态、接触丰富场景中学习接触协方差的状态估计

对四足机器人在高度动态运动中的鲁棒状态估计仍然具有挑战性，尤其是在动态、接触丰富的场景中。传统方法常依赖二元接触状态，无法捕捉局部接触或方向性滑移的细微情况。本文提出了 CoCo-InEKF，一种利用连续接触速度协方差而非二元接触状态的可微分不变扩展卡尔曼滤波器。这些学习得到的协方差允许方法动态调节接触置信度，能够涵盖从坚实接触到方向性滑移或无接触的各种细粒度情况。为预测一组预定义接触候选点的这些协方差，我们采用轻量级神经网络，通过状态误差损失进行端到端训练。该方法无需启发式的 ground-truth 接触标签。此外，我们提出了自动化的接触候选点选择程序，证明该方法对候选点位置不敏感。实验在四足机器人上表明，本方法在线性速度估计中实现了优越的精度-效率权衡，以及相对于基线方法的更好滤波一致性。这使得能够稳健地执行具有挑战性的运动，包括舞蹈和复杂的地面交互——无论是在仿真中还是在实际环境中。