OptiState：使用结合Transformer视觉的门控网络与卡尔曼滤波进行腿式机器人状态估计
机器人学
2024-04-30 v3 机器学习
系统与控制
系统与控制
摘要
由于腿式机器人高度动态的运动和传感器精度的限制，其状态估计具有挑战性。通过集成卡尔曼滤波、优化和基于学习的模态，我们提出了一种混合解决方案，该方案结合了本体感知和外感受信息来估计机器人躯干的状态。利用关节编码器和IMU测量值，我们的卡尔曼滤波器通过一个单刚体模型得到增强，该模型融合了来自凸模型预测控制优化的地面反作用力控制输出。估计结果进一步通过门控循环单元（GRU）进行细化，该单元还考虑了来自应用于深度图像的视觉Transformer（Vision Transformer）自编码器的语义洞察和机器人高度。该框架不仅能提供准确的机器人状态估计，包括不确定性评估，还能通过学习最小化因传感器测量和模型简化而产生的非线性误差。所提出的方法在四足机器人上于多种地形进行了硬件评估，与我们的VIO SLAM基线相比，均方根误差降低了65%。代码示例：https://github.com/AlexS28/OptiState
引用
@article{arxiv.2401.16719,
title = {OptiState: State Estimation of Legged Robots using Gated Networks with Transformer-based Vision and Kalman Filtering},
author = {Alexander Schperberg and Yusuke Tanaka and Saviz Mowlavi and Feng Xu and Bharathan Balaji and Dennis Hong},
journal= {arXiv preprint arXiv:2401.16719},
year = {2024}
}
备注
Accepted to the 2024 IEEE International Conference on Robotics and Automation (ICRA), May 13-17, in Yokohama, Japan. 7 pages, 5 figures, 1 table