LIKO: LiDAR, Inertial, and Kinematic Odometry for Bipedal Robots

📄 arXiv: 2404.18047v1 📥 PDF

作者: Qingrui Zhao, Mingyuan Li, Yongliang Shi, Xuechao Chen, Zhangguo Yu, Lianqiang Han, Zhenyuan Fu, Jintao Zhang, Chao Li, Yuanxi Zhang, Qiang Huang

分类: cs.RO

发布日期: 2024-04-28

🔗 代码/项目: GITHUB

💡 一句话要点

提出LIKO以解决双足机器人状态估计问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 双足机器人 状态估计 激光雷达 惯性测量 运动学里程计 卡尔曼滤波 高频输出

📋 核心要点

  1. 现有的双足机器人状态估计方法在高频和准确性方面存在不足，影响了控制效果。
  2. 论文提出了LIKO方法，通过紧耦合激光雷达、惯性和运动学信息，提升状态估计的频率和准确性。
  3. 实验结果表明，LIKO在状态估计的定量表现上优于其他方法，输出频率达到1kHz，显著提升了控制性能。

📝 摘要（中文）

高频且准确的状态估计对于双足机器人至关重要。本文提出了一种紧耦合的激光雷达-惯性-运动学里程计（LIKO），基于迭代扩展卡尔曼滤波器进行双足机器人状态估计。除了状态估计，脚接触位置也被建模和估计，从而实现运动学测量的位移和速度更新。此外，运动学测量的使用使输出状态频率提高至约1kHz，确保了估计状态的时间连续性，适用于双足机器人的控制目的。我们还发布了一个包含激光雷达、惯性测量单元（IMU）、关节编码器、力/扭矩（F/T）传感器和运动捕捉真实值的数据集，以评估所提出的方法。该方法在其他基于LIO的方法和双足机器人状态估计算法中取得了最佳定量结果。

🔬 方法详解

问题定义：本文旨在解决双足机器人在动态环境中进行高频、准确状态估计的问题。现有方法在状态估计的频率和精度上存在局限，难以满足实时控制的需求。

核心思路：LIKO方法通过紧耦合激光雷达、惯性测量和运动学信息，利用迭代扩展卡尔曼滤波器进行状态估计，同时建模脚接触位置，实现位置和速度的更新。

技术框架：LIKO的整体架构包括激光雷达数据处理、惯性数据融合、运动学测量整合和状态估计模块。通过这些模块的协同工作，确保了高频状态输出。

关键创新：LIKO的主要创新在于将运动学测量与激光雷达和惯性数据紧密结合，显著提高了状态估计的输出频率和准确性，解决了传统方法的不足。

关键设计：在设计中，采用了迭代扩展卡尔曼滤波器作为核心算法，设置了合适的参数以优化状态估计过程，同时确保了脚接触位置的准确建模。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，LIKO方法在状态估计的定量表现上优于其他LIO方法，输出频率达到1kHz，确保了状态估计的时间连续性，提升了双足机器人的控制性能。

🎯 应用场景

该研究的潜在应用领域包括服务机器人、救援机器人和人机协作等场景，能够显著提升双足机器人在复杂环境中的自主导航和控制能力。未来，该技术有望推动双足机器人在日常生活和工业应用中的广泛使用。

📄 摘要（原文）

High-frequency and accurate state estimation is crucial for biped robots. This paper presents a tightly-coupled LiDAR-Inertial-Kinematic Odometry (LIKO) for biped robot state estimation based on an iterated extended Kalman filter. Beyond state estimation, the foot contact position is also modeled and estimated. This allows for both position and velocity updates from kinematic measurement. Additionally, the use of kinematic measurement results in an increased output state frequency of about 1kHz. This ensures temporal continuity of the estimated state and makes it practical for control purposes of biped robots. We also announce a biped robot dataset consisting of LiDAR, inertial measurement unit (IMU), joint encoders, force/torque (F/T) sensors, and motion capture ground truth to evaluate the proposed method. The dataset is collected during robot locomotion, and our approach reached the best quantitative result among other LIO-based methods and biped robot state estimation algorithms. The dataset and source code will be available at https://github.com/Mr-Zqr/LIKO.