Contact-Constrained Lower-Limb Joint-Offset Calibration for Humanoid Robots

📄 arXiv: 2609.02306v1 📥 PDF

作者: Kaixiang Lu, Haiyu Lan, Chunxiao Qiao, You Li, Chengyuan Luo, Enyu Li, Peiwen Lin, Chuang Wang

分类: cs.RO

发布日期: 2026-09-02

💡 一句话要点

提出自包含的下肢关节偏移标定方法以解决人形机器人精度问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 人形机器人 关节标定 运动学一致性 自包含框架 非线性最小二乘法 IMU 静态双支撑

📋 核心要点

  1. 现有的关节标定方法依赖于外部设备，限制了其应用灵活性和准确性。
  2. 本文提出了一种仅依赖于机载传感器的自包含标定框架，利用静态双支撑接触进行关节偏移标定。
  3. 实验结果显示，该方法显著降低了脚高残差，验证了其在实际应用中的有效性。

📝 摘要（中文）

准确的关节编码器偏移对于人形机器人下肢的运动学一致性至关重要，然而现有的标定方法通常依赖于外部运动捕捉系统或标识目标。本文提出了一种自包含的标定框架，仅利用机载关节编码器和安装在骨盆上的IMU，在静态双支撑接触期间进行标定。通过最小化姿态依赖的离散度，构建了一个关于12维偏移向量的非线性最小二乘问题。Hessian特征结构分析表明，平行的俯仰轴会引起旋转耦合。实验结果表明，该方法在A3和A2机器人上有效减少了脚高RMS残差，分别从4.26 mm降至2.20 mm和从8.03 mm降至1.43 mm。

🔬 方法详解

问题定义：本文旨在解决人形机器人下肢关节编码器偏移标定的准确性问题。现有方法通常需要外部运动捕捉系统或标识目标，限制了其灵活性和适用性。

核心思路：提出了一种自包含的标定框架，利用机载关节编码器和IMU，在静态双支撑接触状态下进行标定。通过保持双脚固定，最小化姿态依赖的离散度，构建非线性最小二乘问题。

技术框架：该方法包括数据采集、偏移向量优化和结果验证三个主要模块。首先，收集静态双支撑姿态下的IMU和关节编码器数据；其次，利用最小二乘法优化偏移向量；最后，通过与独立的LiDAR-惯性参考进行对比验证结果。

关键创新：本研究的创新在于提出了一个完全自包含的标定方法，避免了对外部设备的依赖，并通过Hessian特征结构分析揭示了平行俯仰轴的旋转耦合效应。

关键设计：在偏移向量的优化过程中，采用了非线性最小二乘法，并设计了基于姿态的先验信息，以增强弱俯仰链的分解效果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，该方法在A3和A2机器人上的脚高RMS残差分别从4.26 mm降至2.20 mm和从8.03 mm降至1.43 mm，验证了其有效性和可靠性。

🎯 应用场景

该研究的潜在应用领域包括人形机器人、服务机器人和其他需要高精度运动控制的自动化系统。通过提高关节标定的准确性，能够显著提升机器人的运动表现和稳定性，推动其在复杂环境中的应用。

📄 摘要（原文）

Accurate joint encoder offsets are essential for kinematic consistency in humanoid lower limbs, yet existing calibration methods typically require external motion-capture systems or fiducial targets. We present a self-contained calibration framework exploiting only onboard joint encoders and a pelvis-mounted IMU during static double-support contact. The inter-foot transform from forward kinematics must stay constant when both feet are fixed; minimizing its posture-dependent dispersion yields a nonlinear least-squares problem over the 12-dimensional offset vector. A Hessian eigenstructure analysis shows that parallel pitch axes induce a rotational coupling. Orientation residuals then observe only the pitch-offset sum, while translation and posture diversity set the remaining numerical observability. For the A3 pitch-to-roll-to-yaw ordering, hip-roll and hip-yaw excitation reduce hip-pitch coupling. A standing-posture knee prior then anchors the remaining weak pitch-chain decomposition. Simulation and real-machine injection tests show consistent recovery, and on held-out recordings calibration reduces foot-height RMS residuals from 4.26 to 2.20 mm on A3 and from 8.03 to 1.43 mm on A2. An independent LiDAR-inertial reference checks the pitch-coupled channel. Removing an injected pitch offset moves the leg-odometry vertical drift back toward the LiDAR trajectory. A few static double-support stances thus provide contact-consistent corrections for well-excited directions. Individual offsets in the weak pitch chain remain prior-dependent.