Residual-Based Adaptive Kalman Filtering for Legged Robot State Estimation
作者: Mihaela Popescu, Dennis Mronga, Shivesh Kumar, Frank Kirchner
分类: cs.RO
发布日期: 2026-08-03
💡 一句话要点
提出基于残差的自适应卡尔曼滤波以解决腿式机器人状态估计问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 卡尔曼滤波 状态估计 腿式机器人 自适应算法 传感器融合 动态环境 过程噪声 测量噪声
📋 核心要点
- 现有的卡尔曼滤波方法在噪声参数调整上存在困难，通常需要专家知识，且固定参数不适应不同步态和环境。
- 本文提出了一种基于滤波残差和创新的在线自适应协方差调整方法，旨在提高腿式机器人状态估计的准确性。
- 实验结果表明，适应测量噪声协方差R能够在小步态下提高25%的准确性，且与脚力测量方法的性能相当。
📝 摘要（中文）
状态估计是基于模型的步态机器人控制中的关键组成部分，广泛应用于需要推断隐藏变量的场景。卡尔曼滤波器被广泛用于通过融合多种传感器数据来估计浮动基座的位置和速度。然而，噪声参数的调整具有挑战性，通常需要专家知识，且固定的噪声参数不适用于变化的步态和环境。本文提出了一种在线自适应过程噪声协方差矩阵Q和测量噪声协方差矩阵R的策略，具体引入了一种基于滤波残差和创新的协方差自适应方法。通过在不需要脚力测量或额外参数调整的情况下，评估其在室内和室外数据集上的表现，结果显示适应R能够提高25%的准确性。
🔬 方法详解
问题定义：本文旨在解决腿式机器人状态估计中噪声参数调整的困难，现有方法通常依赖固定的噪声参数，无法适应动态变化的步态和环境。
核心思路：提出了一种基于滤波残差和创新的在线自适应协方差调整方法，通过实时调整过程噪声和测量噪声的协方差矩阵，提高状态估计的准确性。
技术框架：整体架构基于不变扩展卡尔曼滤波器（InEKF），融合IMU和腿部运动学数据。主要模块包括状态预测、协方差更新和自适应调整。
关键创新：最重要的创新在于引入了基于残差的协方差自适应方法，能够在不需要脚力测量的情况下，显著提高状态估计的准确性。
关键设计：在实现中，过程噪声协方差矩阵Q和测量噪声协方差矩阵R的调整是基于实时的滤波残差和创新，确保了在不同步态下的适应性和准确性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，适应测量噪声协方差R能够在小步态下提高25%的准确性，相较于固定调优的InEKF，表现出显著的性能提升。此外，提出的残差自适应方法在不依赖脚力测量的情况下，达到了与脚力方法相当的性能。
🎯 应用场景
该研究的潜在应用领域包括自主移动机器人、服务机器人和救援机器人等，能够在复杂环境中实现更高效的状态估计，提升机器人在动态场景下的适应能力和可靠性。未来，该方法可能推动更多智能机器人在实际应用中的普及与发展。
📄 摘要（原文）
State estimation is a key component in model-based control of walking robots and, more broadly, applicable wherever hidden variables must be inferred. The Kalman filter is widely used to estimate floating-base position and velocity by fusing multiple sensing modalities. However, tuning noise parameters is challenging and typically requires expert knowledge. Moreover, fixed noise parameters are unsuitable for varying gaits and environments. We propose an online adaptation strategy for the process noise covariance matrix Q and the measurement noise covariance matrix R. Specifically, we introduce a filter residual and innovation-based covariance adaptation method for legged robot state estimation and evaluate it against a baseline approach relying on IMU and foot force measurements. The proposed adaptation is implemented within an Invariant Extended Kalman Filter (InEKF) fusing IMU and leg kinematics. Experiments on indoor and outdoor datasets with a Unitree Go2 quadruped show that adapting R is sufficient and improves accuracy by 25% for the trotting gait compared to the fixed-tuned InEKF. Finally, the proposed residual-based adaptation achieves comparable performance to the foot force approach, without requiring foot force measurements or additional parameter tuning.