基于自适应虚拟惯性测量单元的四足机器人零速修正导航方法

本文提出一种基于自适应虚拟惯性测量单元(VIMU)的零速修正(ZUPT)方法，通过CNN-BiGRU-Attention混合网络建立四足机器人多IMU间的非线性映射关系。该方法摆脱了传统ZUPT对足部IMU和步态识别的依赖，在斜坡、楼梯等多地形条件下定位误差仅占路径总长的1.34%，显著提升了复杂环境下的导航适应性。

　　

亮点

• •
  基于IMU与VIMU的环境无关定位策略： 该方法仅利用IMU和VIMU提取并计算四足机器人的运动特征，无需依赖外部环境线索或通信基础设施。通过消除对外部传感器和特征的依赖，该系统避免了SLAM算法在特征稀疏环境中常见的精度下降问题，并克服了在室内或信号遮挡区域的GNSS信号丢失问题。此设计确保了系统在广泛操作条件下的鲁棒性和适应性。
• •
  基于深度学习的非线性时变运动学方程优化： 为了解决四足机器人肢体非线性和时变运动学建模的挑战，引入了一个深度学习框架。该框架通过从IMU传感器数据进行端到端学习，捕捉复杂的时空动态特性。通过取代需要手动特征工程和广泛领域知识的传统模型方法，该方法在各种机器人形态和步态下都增强了泛化性能和系统适应性。
• •
  通过CNN-BiGRU-Attention模型实现无需步态分类的鲁棒虚拟惯性导航： 采用了一种结合卷积神经网络(CNN)、双向门控循环单元(BiGRU)和注意力机制(Attention Mechanism)的混合深度学习架构，直接从腿部安装的IMU中学习并融合时空特征。该方法构建了实现精确足部安装VIMU重建所需的动态映射。通过绕过传统的步态分类步骤，该模型避免了因频繁步态转换导致的误差累积和计算复杂度，显著提高了系统在未知或未训练步态模式下的鲁棒性和实时性能。

基于CNN-BiGRU-Attention模型的虚拟IMU构建

为了表达四足机器人的下肢运动学映射模型，构建了如图3所示结构的CNN-BiGRU-Attention模型。该网络由CNN模块、BiGRU模块、注意力机制模块和回归模块共四个部分组成。

多种独立步态下的导航定位实验

本文通过三种典型运动模式（平地、斜坡和楼梯）验证导航系统的多场景导航定位性能。评估采用双指标框架，其中误差平均值用于量化绝对精度，而标准差用于表征操作稳定性——这是现场可部署导航系统的两个基本标准。我们应用高精度差分GPS，路线卫星图如图9所示。

结论

本文提出了一种用于微型四足机器人的ZUPT辅助高精度惯性导航方法。所提出的方法通过两个连续阶段运行：首先，CNN-BiGRU-Attention模型将来自腿部安装IMU的惯性信息转换为足部安装的VIMU。随后，使用ZUPT算法对重建的VIMU数据进行进一步校准，从而能够实时输出四足机器人的导航参数。实验验证...