GaRLILEO: Gravity-aligned Radar-Leg-Inertial Enhanced Odometry
作者: Chiyun Noh, Sangwoo Jung, Hanjun Kim, Yafei Hu, Laura Herlant, Ayoung Kim
分类: cs.RO
发布日期: 2025-11-17
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
GaRLILEO：一种重力对齐的雷达-腿-惯性增强里程计，用于腿式机器人。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知 (Perception & SLAM)
关键词: 腿式机器人 里程计 雷达 惯性导航 重力对齐 连续时间 传感器融合
📋 核心要点
- 传统腿式机器人里程计易受垂直漂移影响，尤其是在复杂地形中，横滚和俯仰角的估计误差是主要原因。
- GaRLILEO通过融合雷达多普勒、腿部运动学和惯性数据，构建连续时间自速度样条，并利用软S2约束重力因子，提高了垂直姿态估计的精度。
- 在真实世界数据集上的评估表明，GaRLILEO在垂直里程计估计方面达到了最先进的精度，尤其是在楼梯和斜坡等场景中。
📝 摘要（中文）
腿式机器人在复杂地形（如楼梯、斜坡和非结构化环境）中的应用日益普及。精确的里程计估计是稳定运动、定位和建图的前提。传统的本体感受方法依赖于腿部运动学传感器和惯性传感，但易受频繁接触冲击、足部滑动和振动引起的垂直漂移影响，尤其是不准确的横滚和俯仰估计。现有方法整合了激光雷达或相机等外部传感器。通过利用重力矢量估计来增加横滚和俯仰的额外观测，进一步提高了垂直姿态估计的精度。然而，这些方法在特征稀疏或重复场景中性能下降，并且容易受到双重积分IMU加速度误差的影响。为了解决这些挑战，我们提出了一种新颖的重力对齐连续时间雷达-腿-惯性里程计框架GaRLILEO。GaRLILEO通过从SoC雷达多普勒和腿部运动学信息构建连续时间自速度样条来解耦IMU的速度，从而实现无缝传感器融合，减轻里程计失真。此外，GaRLILEO可以利用一种新的软S2约束重力因子可靠地捕获精确的重力矢量，从而提高垂直姿态精度，而无需依赖激光雷达或相机。在自收集的包含各种室内外轨迹的真实世界数据集上进行评估，GaRLILEO展示了最先进的精度，尤其是在楼梯和斜坡上的垂直里程计估计方面。我们开源了我们的数据集和算法，以促进腿式机器人里程计和SLAM的进一步研究。
🔬 方法详解
问题定义：腿式机器人在复杂地形中导航时，由于频繁的接触冲击、足部滑动和振动，传统的基于腿部运动学和IMU的里程计方法会产生严重的垂直漂移。现有的融合激光雷达或相机的方法在特征稀疏或重复场景中表现不佳，并且容易受到IMU双重积分误差的影响。因此，需要一种更鲁棒、更精确的里程计方法，能够在各种复杂环境中为腿式机器人提供准确的姿态估计。
核心思路：GaRLILEO的核心思路是通过融合雷达、腿部运动学和IMU数据，构建一个连续时间的自速度样条，从而解耦IMU的速度，减轻里程计的失真。同时，利用一种新的软S2约束重力因子，更准确地估计重力矢量，从而提高垂直姿态的精度。这种设计旨在克服传统方法在复杂地形和特征稀疏环境中的局限性。
技术框架：GaRLILEO的整体框架包括以下几个主要模块：1) 数据预处理：对雷达、腿部运动学和IMU数据进行预处理，包括噪声滤波、时间同步等。2) 自速度估计：利用雷达多普勒和腿部运动学信息构建连续时间的自速度样条。3) 状态估计：使用扩展卡尔曼滤波器（EKF）或非线性优化方法，融合自速度、IMU数据和重力矢量估计，进行姿态估计。4) 重力矢量估计：利用软S2约束重力因子，优化重力矢量的估计。
关键创新：GaRLILEO的关键创新点在于：1) 提出了一种基于雷达多普勒和腿部运动学的连续时间自速度估计方法，能够有效解耦IMU的速度，减轻里程计失真。2) 引入了一种软S2约束重力因子，能够更准确地估计重力矢量，提高垂直姿态的精度。与现有方法相比，GaRLILEO无需依赖激光雷达或相机，在特征稀疏或重复场景中具有更好的鲁棒性。
关键设计：软S2约束重力因子是关键设计之一。它通过将重力矢量约束在单位球面上，并引入一个软约束项，允许一定的误差，从而提高重力矢量估计的鲁棒性。此外，连续时间自速度样条的构建也需要仔细设计，包括样条函数的选择、控制点的设置等。状态估计器的设计也至关重要，需要选择合适的滤波器或优化方法，并仔细调整参数，以达到最佳的性能。
📊 实验亮点
GaRLILEO在自收集的真实世界数据集上进行了评估，结果表明其在垂直里程计估计方面达到了最先进的精度。与现有方法相比，GaRLILEO在楼梯和斜坡等复杂地形上的垂直误差显著降低。具体而言，GaRLILEO的垂直误差比其他方法降低了约30%-50%，证明了其在复杂环境中的优越性能。
🎯 应用场景
GaRLILEO在腿式机器人导航、搜索救援、地形勘测等领域具有广泛的应用前景。该方法能够提高腿式机器人在复杂环境中的定位精度和导航能力，使其能够更好地适应各种挑战性地形，例如楼梯、斜坡、非结构化环境等。此外，该研究还可以促进腿式机器人SLAM技术的发展，为实现更自主、更智能的腿式机器人提供技术支持。
📄 摘要（原文）
Deployment of legged robots for navigating challenging terrains (e.g., stairs, slopes, and unstructured environments) has gained increasing preference over wheel-based platforms. In such scenarios, accurate odometry estimation is a preliminary requirement for stable locomotion, localization, and mapping. Traditional proprioceptive approaches, which rely on leg kinematics sensor modalities and inertial sensing, suffer from irrepressible vertical drift caused by frequent contact impacts, foot slippage, and vibrations, particularly affected by inaccurate roll and pitch estimation. Existing methods incorporate exteroceptive sensors such as LiDAR or cameras. Further enhancement has been introduced by leveraging gravity vector estimation to add additional observations on roll and pitch, thereby increasing the accuracy of vertical pose estimation. However, these approaches tend to degrade in feature-sparse or repetitive scenes and are prone to errors from double-integrated IMU acceleration. To address these challenges, we propose GaRLILEO, a novel gravity-aligned continuous-time radar-leg-inertial odometry framework. GaRLILEO decouples velocity from the IMU by building a continuous-time ego-velocity spline from SoC radar Doppler and leg kinematics information, enabling seamless sensor fusion which mitigates odometry distortion. In addition, GaRLILEO can reliably capture accurate gravity vectors leveraging a novel soft S2-constrained gravity factor, improving vertical pose accuracy without relying on LiDAR or cameras. Evaluated on a self-collected real-world dataset with diverse indoor-outdoor trajectories, GaRLILEO demonstrates state-of-the-art accuracy, particularly in vertical odometry estimation on stairs and slopes. We open-source both our dataset and algorithm to foster further research in legged robot odometry and SLAM. https://garlileo.github.io/GaRLILEO