Multi-Contact Inertial Parameters Estimation and Localization in Legged Robots

📄 arXiv: 2403.17161v2 📥 PDF

作者: Sergi Martinez, Robert J. Griffin, Carlos Mastalli

分类: cs.RO

发布日期: 2024-03-25 (更新: 2025-02-20)

💡 一句话要点

提出多接触惯性参数估计与定位方法以解决机器人定位问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 惯性参数估计 机器人定位 多接触 最优估计 复杂动作 人形机器人 接触动力学

📋 核心要点

  1. 现有方法在多接触情况下的惯性参数估计和机器人定位效率低，难以处理复杂动作。
  2. 论文提出了一种多重射击求解器和惯性流形，结合零空间方法以提高估计的准确性和收敛性。
  3. 实验结果表明，该方法在复杂动作中的定位精度显著高于传统最小二乘法，验证了其有效性。

📝 摘要（中文）

本论文提出了一种最优估计方法，旨在在多接触情况下高效估计负载的惯性参数并实现机器人定位。为此，研究者开发了一种多重射击求解器，通过参数化的Riccati递归利用时间和参数结构。此外，提出了一种惯性流形，确保惯性参数的物理一致性并增强收敛性。为处理流形的奇异性，研究者引入了零空间方法。最后，开发了接触动力学的解析导数，能够在复杂动作（如人形机器人的摆动）中实现比传统最小二乘法更高的精度。该框架在各种机器人任务中展现了其数值能力，并在Go1机器人实验中验证了其优势。

🔬 方法详解

问题定义：本论文旨在解决在多接触情况下，机器人负载的惯性参数估计和定位问题。现有方法在处理复杂动作时效率低下，导致估计精度不足。

核心思路：论文的核心思路是通过开发一个多重射击求解器，利用参数化的Riccati递归来高效解决大规模优化问题，同时引入惯性流形以确保物理一致性。

技术框架：整体架构包括多个模块：首先是多重射击求解器，其次是惯性流形的构建，接着是零空间方法的引入，最后是接触动力学的解析导数计算。

关键创新：最重要的技术创新在于引入了惯性流形和零空间方法，这与传统的最小二乘法相比，能够有效处理流形的奇异性并提高收敛性。

关键设计：在参数设置上，采用了参数化的Riccati递归，损失函数设计为考虑物理一致性的形式，确保了估计的准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提出的方法在复杂动作（如人形机器人的摆动）中的定位精度比传统最小二乘法提高了显著的准确性，具体性能数据未提供，但实验验证了其在多种机器人任务中的优势。

🎯 应用场景

该研究的潜在应用领域包括人形机器人、自动驾驶车辆和其他需要高精度定位的机器人系统。通过提高惯性参数估计的准确性，能够显著提升机器人在复杂环境中的导航和操作能力，具有重要的实际价值和未来影响。

📄 摘要（原文）

Optimal estimation is a promising tool for estimation of payloads' inertial parameters and localization of robots in the presence of multiple contacts. To harness its advantages in robotics, it is crucial to solve these large and challenging optimization problems efficiently. To tackle this, we (i) develop a multiple shooting solver that exploits both temporal and parametric structures through a parametrized Riccati recursion. Additionally, we (ii) propose an inertial manifold that ensures the full physical consistency of inertial parameters and enhances convergence. To handle its manifold singularities, we (iii) introduce a nullspace approach in our optimal estimation solver. Finally, we (iv) develop the analytical derivatives of contact dynamics for both inertial parametrizations. Our framework can successfully solve estimation problems for complex maneuvers such as brachiation in humanoids, achieving higher accuracy than conventional least squares approaches. We demonstrate its numerical capabilities across various robotics tasks and its benefits in experimental trials with the Go1 robot.