专感图像：四足机器人专感数据图像表示用于接触估计学习
机器人学
2026-03-27 v2
摘要
本文提出了一种新颖的方法，将四足机器人来自专感时间序列数据表示为结构化的二维图像，从而能够使用卷积神经网络进行学习 locomotion 相关任务。该方法编码来自多个专感信号（如关节位置、IMU 读数和脚部速度）的时序动态，同时在图像的空间布局中保留机器人的形态结构。这种转换捕捉信号之间的相关性和行走相关模式，为比直接时间序列处理提供更丰富的特征空间。我们将此概念应用于接触估计问题，这是实现稳定和自适应 locomotion 的关键能力，能够应对多样化的地形。实验评估在真实数据集和模拟环境中表明，我们的图像表示在常规基于序列的模型之上持续提高预测准确率和泛化能力，凸显了机器人状态学习中跨模态编码策略的潜力。我们的方法在接触数据集上实现了卓越的性能，将接触状态准确率从 87.7% 提升至 94.5%，同时使用窗口大小缩短了 15 倍。
引用
@article{arxiv.2510.14612,
title = {Proprioceptive Image: An Image Representation of Proprioceptive Data from Quadruped Robots for Contact Estimation Learning},
author = {Gabriel Fischer Abati and João Carlos Virgolino Soares and Giulio Turrisi and Victor Barasuol and Claudio Semini},
journal= {arXiv preprint arXiv:2510.14612},
year = {2026}
}
备注
Accepted to the IEEE International Conference on Robotics and Automation (ICRA) 2026