基于优化卡尔曼滤波的跳跃式机器人状态估计与高度控制

电动轴驱动的跳跃式 locomotion 显著优于纯飞行系统，提高了效率和运行时间；但大多数跳跃机器人使用离落状态和假设的抛物线轨迹来确定跳跃高度。然而，显著的空中相位力（如推力和阻力）会使此假设失效，导致估计性能差。为此，一些团队实现了多个传感器（主动和被动光学、惯性和接触）以及显著的计算能力，以实现完整的状态估计。然而，这会对开发轻量、高性能、低可探测性、抗干扰和抗电子干扰的跳跃系统构成重大挑战，尤其是在感知降解的环境中（如粉尘、烟雾）。本文介绍了一种用于联合跳跃相位和基于卡尔曼滤波的垂直状态估计的训练程序，只需惯性测量，即可学习目标系统、传感器、 locomotion 行为、环境和加速度测量别名条件。该估计器在跳跃高度最高可达4米、速度可达$\pm7$ m/s时，实现了跳跃顶点高度的平均绝对百分比误差为12.5%，空中轨迹位置和速度的平均归一化平均绝对误差分别为19%和16.5%；在672克的机器人总质量下，以840 Hz的频率运行于双核240 MHz处理器上。由于低质量和计算功率，该估计器可也作为传感器损坏、故障或遮挡情况下的降级运行模式，应用于更复杂的机器人。