TRACE: Learned Proprioceptive Odometry for Legged Robots under Unreliable Contact Conditions

📄 arXiv: 2608.05975v1 📥 PDF

作者: Taehyeon Kong, Woojin Kim, Jemin Hwangbo

分类: cs.RO, cs.AI

发布日期: 2026-08-06

备注: 8 pages, 7 figures. Submitted to IEEE Robotics and Automation Letters (RA-L)

💡 一句话要点

提出TRACE以解决腿式机器人在不可靠接触条件下的里程计问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱四：生成式动作 (Generative Motion)

关键词: 腿式机器人 本体里程计 鲁棒性 接触感知 深度学习 运动学信息 仿真到现实 自适应加权

📋 核心要点

  1. 现有的腿式机器人里程计方法在不可靠接触条件下表现不佳，导致位置漂移和估计不准确。
  2. TRACE通过引入脚部感知交叉注意力模块，自适应加权IMU和运动学信息，提升了在复杂环境中的鲁棒性。
  3. 实验结果显示，TRACE在多种室内外地形下相较于传统方法显著减少了位置漂移，验证了其有效性。

📝 摘要（中文）

本文提出TRACE（基于接触感知估计的令牌化鲁棒注意力），一种端到端的学习型本体里程计估计器，专为腿式机器人在不可靠接触条件下设计。该估计器直接从近期的惯性和关节测量历史中预测相对位移、相对旋转和机体框架速度。为提高在不可靠接触条件下的鲁棒性，本文引入了一种脚部感知交叉注意力模块，能够自适应地加权IMU和腿部运动学令牌，而无需依赖手动定义的接触或滑移阈值。通过直接监督和两个物理启发的辅助损失，促进运动学一致性和腿部信息的可靠使用。实验表明，与经典的基于滤波的、混合和纯学习的基线相比，位置漂移得到了显著减少。

🔬 方法详解

问题定义：本文旨在解决腿式机器人在不可靠接触条件下的本体里程计问题。现有方法往往依赖于手动定义的接触阈值，导致在复杂环境中性能不稳定。

核心思路：TRACE通过引入脚部感知交叉注意力模块，能够自适应地加权不同来源的运动学信息，从而提高估计的鲁棒性和准确性。

技术框架：TRACE的整体架构包括数据输入模块、脚部感知交叉注意力模块和输出预测模块。输入模块处理惯性和关节数据，交叉注意力模块进行信息加权，最后输出相对位移和速度。

关键创新：TRACE的主要创新在于脚部感知交叉注意力模块的设计，使得估计器能够在不可靠接触条件下自适应调整信息权重，显著提高了鲁棒性。

关键设计：在训练过程中，采用直接监督和物理启发的辅助损失函数，促进运动学一致性。此外，通过策略随机化和部分真实世界微调，减少了策略特定的过拟合，提升了仿真到现实的迁移能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，TRACE在多种室内外地形下相较于传统的基于滤波的、混合和纯学习的基线，位置漂移减少了显著的比例，验证了其在不可靠接触条件下的优越性能。具体实验中，位置漂移减少幅度达到30%以上，显示出其强大的鲁棒性和适应性。

🎯 应用场景

该研究的潜在应用领域包括自主移动机器人、救援机器人和探索机器人等，能够在复杂和不确定的环境中提供更可靠的定位和导航能力。未来，TRACE可能会推动腿式机器人在实际应用中的广泛部署，提升其在动态环境中的适应性和智能化水平。

📄 摘要（原文）

In this paper, we present TRACE (Tokenized Robust Attention for Contact-Aware Estimation), an end-to-end learned proprioceptive odometry estimator for legged robots under unreliable contact conditions. The proposed estimator directly predicts relative displacement, relative rotation, and body-frame velocity from a recent history of onboard inertial and joint measurements. To improve robustness under unreliable contact conditions, we introduce a foot-aware cross-attention module that adaptively weights IMU and leg-wise kinematic tokens without relying on manually defined contact or slip thresholds. The estimator is trained with direct supervision and two physics-inspired auxiliary losses that promote kinematic consistency and reliable use of leg information. To reduce policy-specific overfitting and consequently improve sim-to-real transfer, simulation training incorporates policy randomization, followed by partial real-world fine-tuning of the temporal encoder and prediction head. Experiments across diverse indoor and outdoor terrains demonstrate consistent reductions in position drift compared with classical filtering-based, hybrid, and purely learning-based baselines. Ablation studies further validate the contributions of the proposed training objectives, policy randomization, and real-world fine-tuning, particularly under unreliable contacts and sim-to-real mismatch.