PrePARE：用于足式机器人极端地形探索中敏捷失效事件预测的本体感知方法

足式机器人能够穿越多种地形，其中一些对轮式机器人而言颇具挑战，例如楼梯或高度不平的表面。然而，四足机器人在湿滑表面上面临稳定性挑战。这可以通过调整机器人的运动模式得以解决，即切换到更保守和稳定的运动模式，例如爬行模式（始终有三只脚与地面接触）或溜蹄模式（每次一只脚着地），以防止潜在的跌倒。为应对这些挑战，我们提出一种从机器人过往经验中学习模型的方法，用于潜在失效的预测性检测。据此，我们仅基于本体感知（proprioceptive）传感信息触发步态切换。为学习该预测模型，我们提出一个两阶段半监督流程，用于检测和标注真实滑倒事件：首先利用无监督异常检测器检测步态数据时间序列中的异常 occurrence，随后在回放仿真中由专家人类知识验证这些异常以确认滑倒事件。这些标注的滑倒事件随后被用作真实示例，训练一个集成决策学习器，用于预测跨地形的可通行性滑倒概率。我们在多个湿滑场地由足式机器人记录的数据上分析了我们的模型。我们证明，潜在滑倒事件可在潜在跌倒前最多 720 ms 预测，平均精度大于 0.95，平均 F-score 为 0.82。最后，我们通过将该方法部署在足式机器人上并基于滑倒事件检测切换其步态模式，在实时环境中验证了我们的方法。