Jan, 2024

OptiState: 采用具有基于 Transformer 的视觉和卡尔曼滤波的门控网络对四足机器人进行状态估计

PDF
TL;DR通过在四足机器人上评估，我们提出了一种混合解决方案，通过结合本体感知和外部感知信息，利用 Kalman 滤波、优化和基于学习的模态，对机器人躯干状态进行估计，从而实现准确的机器人状态估计，并减少传感器测量和模型简化带来的非线性误差。
发现论文，激发创造
  • 利用不变扩展卡尔曼滤波器和神经测量网络的四足机器人状态估计

    该论文介绍了一种新颖的基于感觉自身位置的机器人状态估计器，该估计器结合了基于模型的滤波器和深度神经网络。通过整合神经测量网络 (NMN) 和不变扩展卡尔曼滤波器，论文展示了该状态估计框架在各种地形中的性能改进。

    Feb, 2024

  • 使用跨模态转换器端到端学习视觉引导下的四足机器人运动

    我们提出了一种使用基于 Transformer 的模型从配 proprioceptive 信息和高维度深度传感器输入中学习的强化学习（RL）来解决四足动物行走任务的方法。

    Jul, 2021

  • TLIO：紧密学习的惯性测距

    本文提出了一种紧密耦合的扩展卡尔曼滤波器框架，使用训练有素的神经网络来回归三维位移估计和其不确定性，进而在滤波器中实现测量更新步骤，从而解决姿态、速度和传感器偏差问题。与速度积分和 AHRS 姿态滤波器方法相比，本文的系统在位置和姿态估计方面表现更好，且该网络可用于步行者数据的统计一致的测量和不确定性。

    Jul, 2020

  • 基于接触辅助的不变扩展卡尔曼滤波法用于机器人状态估计

    该研究开发了利用 Lie 群和不变观测器设计技术的接触辅助不变扩展卡尔曼滤波器（InEKF），该滤波器结合了接触惯性动力学和正向运动学校正，可估计姿态和速度以及所有当前接触点。研究表明，误差动力学遵循对数线性自治微分方程，从而提高了收敛性能，并产生了符合非线性系统的本地可观测矩阵。该过程在 Cassie 系列双足机器人上进行了模拟和实验，并表明其比基于四元数的 EKF 具有更好的性能。

    Apr, 2019

  • 实时全面的未知状态机器人姿态估计

    通过单个 RGB 图像进行实时机器人姿态估计的端到端流程，无需已知机器人状态，并达到了领先水平的 12 倍速度提升。

    Feb, 2024

  • 多传感器全局位姿估计的通用基于优化的框架

    本文提出了一种传感器融合框架，通过姿态图优化来将现有的本地估计融合到全球传感器中，实现了本地准确和全球无漂移的姿态估计。

    Jan, 2019

  • 混合内部模型：敏捷四肢运动的简单高效学习器

    鲁棒的运动控制依赖于准确的状态估计，这篇论文提出了使用混合内部模型 (HIM) 来估计外部状态，并使用对比学习来优化嵌入响应，从而实现四足机器人在各种地形和干扰下的高度灵活、开放世界的运动控制。

    Dec, 2023

  • 人形机器人步态中的稳健接触状态估计

    本文提出了一个深度学习框架来解决人形机器人步态中的腿部接触检测问题。该框架利用了本体感知，能够准确和稳健地估计每条腿的接触状态概率，并通过模拟得到的接触数据进行分类处理。该框架在模拟环境中通过对地面真实接触数据的使用进行了定量和定性评估，并对比了目前的先进方法。同时，它被证明在基本估计方面效果显著。

    Jul, 2022

  • 基于预测编码的自适应机器人身体学习和估计

    该研究提出了一种计算感知模型，基于预测处理，能够使任何多感官机器人通过使用任意具有高斯加性噪声的传感器来学习、推断和更新其身体配置，从而实现自我校准和安全的人机物理交互。

    May, 2018

  • 反向传播 Kalman 滤波器：学习判别式确定性状态估计器

    本文提出了一种基于确定性计算图的梯度下降算法，用于训练判别式状态估计器，该模型可以有效处理复杂的输入，如原始摄像头图像，并用于视觉里程计任务和合成跟踪任务中进行评估。

    May, 2016