无编码器六足机器人在沙地上的基于学习惯性修正的航位推算

《Frontiers in Robotics and AI》：Encoder-free hexapod dead reckoning on sand using learned inertial correction

　　

对于穿越偏远自然地形的廉价腿式机器人，最小传感定位对自主范围和搜索效率有重要影响。尽管惯性测量单元（IMU）等本体感觉传感器紧凑且广泛用于机器人平台，但对噪声惯性测量值进行直接积分会使微小的传感器误差传播为较大的位姿估计误差，从而限制了其作为独立航位推算传感器的应用。在本研究中，研究人员通过将紧凑型多IMU阵列的机体坐标系加速度剖面与指令运动参数相结合，在卷积神经网络（CNN）偏置估计器中解决无编码器航位推算中的漂移问题。该估计器预测指令位移与实现位移之间的差异，且不使用关节编码器或显式地形标签。在室外局部搜索实验中，与理想化的指令运动学基线相比，所提方法在草地和沙地上的平均航位推算漂移分别降低了约41%和59%。这些结果表明，在受控室内地形中收集的平台特定数据集能够提高室外航位推算性能，即使部署地形并未完全包含在训练数据集中。该方法为传感配置极简的腿式机器人提供了一种低成本、紧凑的本体感觉漂移降低方法，适用于因成本或环境条件限制而无法使用外部感知定位的场景。研究人员预计该方法将有助于开发未来在腿滑移既常见又难以预测的外星、水下或地下颗粒介质中穿越的低成本机器人。

论文解读：

研究背景与问题：小型、低成本腿式机器人在偏远或未探索的自然地形中执行局部搜索任务时，定位是关键挑战。准确的位姿估计可实现系统性区域覆盖、高效搜索和自主对接。然而，传统定位方法常依赖相机或全球定位系统（GPS）等外部传感器，增加了平台尺寸、成本和环境依赖性。相比之下，小型腿式动物仅凭紧凑感知即可有效觅食和探索，表明了小型平台采用紧凑传感方案的优势。在腿式运动更为适用的地形（如植被、不平整地面、颗粒介质）中，简单的航位推算方法性能退化：下陷、滑移及基质相关运动误差使实际机体位移偏离指令位移。仅使用指令运动会产生不准确的位姿估计，而直接积分惯性测量则导致无界漂移积累。现有基于腿式传感器的定位方法（如关节编码器、足部IMU、力/力矩传感器）虽能提高精度，但需在每条腿上加装硬件，增加了成本与防护难度。因此，针对无编码器、仅装备机体安装IMU的六足机器人，研究人员提出利用卷积神经网络（CNN）从加速度剖面中学习指令-位移偏差，以降低航位推算漂移。

研究开展与结论：研究人员设计了一种无编码器18自由度六足机器人平台，在其机身上刚性安装四IMU阵列，采集加速度、角速度和磁力计数据。通过多IMU融合获得航向角，并构建CNN偏置估计器，以每个两步步态周期为单位，输入沿指令方向的机体加速度序列与指令位移，预测实际位移与指令位移之间的偏差。训练数据集在室内泡沫垫和三种湿度水平的沙床上采集，共1414个两步步态周期，不使用地形标签。室外试验在草地和沙地进行，采用1 m×1 m梯形搜索模式，对比三种算法：朴素航位推算（仅指令运动学）、航向修正（HC，使用IMU航向）以及航向修正加神经网络（HC+NN）。结果表明，相对于朴素基线，HC+NN在草地上使平均漂移、均方根误差（RMSE）和总漂移分别降低约34%、36%和38%（其中CNN额外贡献约11%、10%和8%）；在沙地上，HC将平均漂移、RMSE和总漂移降低18%、18%和9%，而CNN进一步将这些指标降低约50%、50%和54%。总体而言，HC+NN相较朴素基线的平均漂移降低在草地为41%，在沙地为59%。中位归一化漂移在草地上从12%（朴素）降至6.0%（HC+NN），沙地上从13%降至4.6%。该研究证明了机体安装IMU加速度剖面包含与指令-位移偏差相关的运动特征，且室内训练数据可迁移至室外部署地形，无需显式地形分类或模型切换。这项工作的意义在于为传感配置极简的腿式机器人提供了一种低成本、紧凑的漂移抑制方法，尤其适用于颗粒介质等足端易滑移、难以预测的地形，为未来外星、水下或地下探索机器人提供了支持。

关键技术方法：研究主要采用以下技术方法。第一，多IMU阵列融合：四个BNO055 9自由度绝对定向传感器刚性安装于机器人顶部，经过静态偏置校准、一阶低通滤波（α=0.5）和独立标量卡尔曼滤波后，等权平均融合，以降低随机噪声和传感器特定偏差，其中均值标准差σ_N=σ₁/√N。第二，互补滤波与磁航向估计：利用陀螺仪积分与加速度计倾角估计滚转和俯仰，通过磁力计数据并补偿滚转俯仰后计算偏航角（航向）。第三，CNN每周期位移偏置估计：采用一维卷积层（核大小40，5个输出通道）提取特征，与指令位移拼接后经三个全连接层（输出250），最终输出2×1向量预测指令-位移偏差；使用均方误差（MSE）损失和Adam优化器（学习率5×10^-5，批大小64，200轮）训练。第四，平面航位推算流水线：每个两步步态周期更新一次，将机体坐标系位移按IMU航向旋转至世界坐标系，结合CNN预测偏差修正位移。训练数据使用Vicon运动捕捉系统获取每周期地面真值，室外轨迹使用头顶摄像头配合Tracker软件评估。

研究结果：
- 室外草地：HC相比朴素基线将平均漂移、RMSE和总漂移分别降低34%、36%和38%；HC+NN相较HC进一步降低11%、10%和8%。中位归一化漂移从12%降至7.7%（HC），再降至6.0%（HC+NN）。结果表明草地的非均匀性主要导致航向漂移，可重复的位移欠冲较弱，CNN的额外提升有限。
- 室外沙地：HC将平均漂移、RMSE和总漂移降低18%、18%和9%；CNN偏置修正使HC+NN相比HC实现约50%的漂移和RMSE降低，总漂移降低54%。中位归一化漂移从13%（朴素）、11%（HC）降至4.6%（HC+NN）。沙地上足端下陷导致系统性的位移欠冲，CNN从加速度剖面中成功推断出该偏差，因此改善显著。
- 模型验证：在验证集上，CNN偏置估计器的RMS误差为6.70 mm，相比仅用指令位移的20.9 mm降低约67.9%；相比最小二乘线性回归基线的10.6 mm降低36.8%；相比按地形分段的线性回归模型（泡沫7.73 mm、沙8.53 mm）仍更优，且无需地形标签。x和y分量的决定系数R2分别为0.89和0.90。

讨论与结论：讨论指出，地形相关的性能改善揭示了航位推算漂移的主要来源以及训练与部署条件相似性的重要性。草地的改善主要归因于航向修正，而沙地的改善主要归因于CNN位移偏置修正，因为沙地训练数据中的下陷和滑移效应与室外沙地相似。尽管沙地HC+NN的逐次试验变异性增大，但平均漂移显著降低，表明加速度剖面包含可测量的位移欠冲特征。局限性包括：当前估计器为平台和步态特定，仅使用指令方向加速度，且未处理外部磁干扰。未来将扩展训练数据至草地、不平地形和多步态模型，并研究三维位移偏置估计及水下应用。研究结论表明，低成本多IMU感知使无编码器18自由度六足机器人在软颗粒介质局部搜索中实现更精确的平面航位推算；CNN偏置估计器将指令运动和测量加速度剖面映射为平台特定的每周期位移偏置，在草地和沙地上分别使总漂移相对朴素基线降低41%和59%，验证了机体安装IMU加速度剖面包含与指令-位移偏差相关的有效运动特征。