Legged Robot State Estimation using Invariant Kalman Filtering and Learned Contact Events
Legged Robot State Estimation using Invariant Kalman Filtering and Learned Contact Events
复制标题
使用不变卡尔曼滤波和学习接触事件的腿式机器人状态估计
DOI：
--
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
Maani Ghaffari
中科院分区：
文献类型：
--
作者：
Tzu;Ray Zhang;Justin Yu;Maani Ghaffari
这项工作开发了一个基于学习的接触估计腿机器人，绕过物理传感器的需要，并采取多模态本体感觉数据作为输入。与基于视觉的状态估计器不同，本体感受状态估计器对于诸如黑暗或有雾场景之类的感知降级的情况是不可知的。虽然一些机器人配备有专用的物理传感器来检测用于状态估计的必要接触数据，但是一些机器人不具有专用的接触传感器，并且在不重新设计硬件的情况下添加这样的传感器是不平凡的。经过训练的网络可以估计不同地形上的接触事件。实验表明，接触辅助不变扩展卡尔曼滤波器可以生成准确的里程轨迹相比，一个国家的最先进的视觉SLAM系统，使强大的本体感受里程。
This work develops a learning-based contact estimator for legged robots that bypasses the need for physical sensors and takes multi-modal proprioceptive sensory data as input. Unlike vision-based state estimators, proprioceptive state estimators are agnostic to perceptually degraded situations such as dark or foggy scenes. While some robots are equipped with dedicated physical sensors to detect necessary contact data for state estimation, some robots do not have dedicated contact sensors, and the addition of such sensors is non-trivial without redesigning the hardware. The trained network can estimate contact events on different terrains. The experiments show that a contact-aided invariant extended Kalman filter can generate accurate odometry trajectories compared to a state-of-the-art visual SLAM system, enabling robust proprioceptive odometry.
影响因子：
5.2
作者：
Lu Gan;Ray Zhang;J. Grizzle;R. Eustice;Maani Ghaffari
通讯作者：
Lu Gan;Ray Zhang;J. Grizzle;R. Eustice;Maani Ghaffari
影响因子：
9.2
作者：
Hartley, Ross;Ghaffari, Maani;Grizzle, Jessy W.
通讯作者：
Grizzle, Jessy W.