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。

Jan, 2024

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

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

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

本文提出了一种新的算法，可以推断关于动态系统参数的信息，同时从先前的观察中估计有关机器人状态的重要信息，并将其与 Adversarial Motion Priors 结合，实现了机器人在真实世界中稳定、灵活和自然的步态，从实验结果中发现相对于基线算法，我们提出的算法能够以更低的功耗遍历具有挑战性的地形。

Apr, 2023

本研究探讨了使用前馈神经网络在目标跟踪领域中的有效性，旨在比较由 Kalman 滤波器和我们提出的神经网络创建的轨迹。我们提出的神经网络跟踪器的独特功能是它仅使用测量模型来估计轨迹的下一个状态，并在应用轨迹值的估计时使用滑动窗口来合并测量历史记录，避免了线性化的复杂性。

Jun, 2023

本研究提出了一种基于长短时记忆学习（long short term memory）的方法来丰富动态运动和噪声模型的表征，以应用于计算机视觉中的三个最受欢迎的姿态估计任务，并在所有情况下获得最先进的性能表现。

Aug, 2017

本文针对自动驾驶车辆中人的驾驶行为的随机性，异质性和时变性构成的挑战，将 $ au$ 步的改进的扩展卡尔曼滤波参数适应算法应用于驾驶行为预测任务，使用观察到的轨迹给出反馈，并通过对基于神经网络的模型进行改进，提出了一套新的度量标准来系统评估降低不同个体和情况的预测误差的在线适应性能，同时还提供了有关模型最佳层和观察步骤的经验研究。

Dec, 2021

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

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