⚡ electrical engineering

Proprioceptive Invariant State Estimation for Humanoid Robots on Non-Inertial Ground

Dieses Paper präsentiert einen rechtsinvarianten erweiterten Kalman-Filter, der eine echtzeitfähige, rein propriozeptive Zustandschätzung für humanoide Roboter auf nicht-inertialem Untergrund ermöglicht und dabei im Vergleich zu bestehenden Methoden eine signifikant schnellere Konvergenz sowie reduzierte Positionsfehler erreicht.

Ursprüngliche Autoren: Falak Mandali, Zijian He, Yan Gu

Veröffentlicht 2026-06-19

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Falak Mandali, Zijian He, Yan Gu

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich einen humanoiden Roboter namens „Digit“ vor, der versucht zu gehen, in die Hocke zu gehen oder stillzustehen. Und nun stellen Sie sich vor, der Boden, auf dem er steht, ist keine feste, unbewegliche Betonplatte, sondern eine bewegliche, schwankende und neigende Oberfläche – wie ein Schiff in stürmischer See oder ein Zugwaggon, der beschleunigt und abbremst.

Damit ein Roboter aufrecht stehen und sich korrekt bewegen kann, muss er genau wissen, wo er sich befindet und wie schnell er sich bewegt. Dies nennt man Zustandsschätzung (State Estimation).

Das Problem: Der „blinde“ Roboter in einem fahrenden Bus

Die meisten Roboter heute sind wie Fahrgäste in einem Bus, die davon ausgehen, dass der Bus parkt. Sie nutzen ihre internen Sensoren (wie ein Gefühl für das Gleichgewicht und Gelenkwinkel), um ihre Position zu schätzen, wobei sie davon ausgehen, dass der Boden unter ihnen vollkommen stillsteht.

Aber wenn der Bus (der Boden) anfängt zu fahren, bricht die Annahme des Roboters vom „stillstehenden Boden“ zusammen. Er wird verwirrt. Er denkt, er würde fallen, während sich in Wirklichkeit nur der Boden unter ihm bewegt.

Um dies zu beheben, versuchen Wissenschaftler normalerweise, eine Kamera auf den Bus oder einen Sensor auf den Boden zu setzen, um dem Roboter zu sagen: „Hey, der Boden bewegt sich!“ Aber in der realen Welt kann man nicht immer eine Kamera an ein fahrendes Schiff oder einen Zug binden. Der Roboter muss in der Lage sein, dies allein durch seine eigenen internen Sensoren (seine Propriozeption) herauszufinden.

Die Lösung: Der „Invariante“ Filter

Dieses Paper stellt ein neues mathematisches Gehirn vor (einen Algorithmus namens Invariant Extended Kalman Filter oder InEKF), das es dem Roboter ermöglicht, seine Bewegung relativ zum beweglichen Boden zu bestimmen, ohne externe Hilfe zu benötigen.

So funktioniert es, unter Verwendung einer einfachen Analogie:

1. Der „Füße als Anker“-Trick
Stellen Sie sich vor, Sie stehen auf einem Laufband am Flughafen. Sie können nicht sehen, dass sich der Boden bewegt, aber Sie spüren Ihre Füße. Wenn Ihre Füße fest aufgesetzt sind und nicht rutschen, wissen Sie, dass jede Bewegung, die Ihre Füße spüren, tatsächlich die Bewegung des Laufbands ist.

Die Innovation des Papers: Der Roboter hat spezielle Sensoren (IMUs) an seinen Füßen. Der neue Algorithmus nutzt die Tatsache, dass ein Fuß, wenn er fest aufgesetzt ist, als vorübergehender Anker fungiert. Indem der Roboter die Beschleunigung und Rotation dieses aufgesetzten Fußes fühlt, kann er mathematisch berechnen, wie sich der gesamte Boden bewegt, obwohl er selbst keine Sensoren auf dem Boden hat.

2. Die „Rechtshändige“ Mathematik (Invariante Filterung)
Die Standardmathematik für Roboter wird oft unordentlich und ungenau, wenn der Roboter mit einer großen Fehlannahme über seine Position startet (z. B. „Ich denke, ich bin 1 Meter links, aber eigentlich bin ich 1 Meter rechts“).

Die Innovation des Papers: Die Autoren verwendeten eine spezielle Art von Mathematik namens „Invariante“ Filterung. Denken Sie an dies wie an einen Kompass, der immer nach Norden zeigt, egal wie Sie sich drehen. Diese Methode stellt sicher, dass der Roboter selbst dann, wenn er mit einem großen Fehler in seiner Schätzung beginnt, sich sehr schnell und reibungslos korrigieren kann, ohne durch die komplexe Physik des beweglichen Bodens verwirrt zu werden.

Was sie getestet haben

Die Forscher testeten dies an dem Digit-Roboter in einem Labor. Sie platzierten den Roboter auf einem Laufband, das seitlich schwanken und vor und zurück neigen konnte (um ein fahrendes Schiff zu simulieren).

Sie testeten fünf Szenarien:

Stillstehen.
In die Hocke gehen.
Gehen.
Dies alles zu tun, während das Laufband auf verschiedene Arten in Bewegung war.

Die Ergebnisse: Schneller und Schlauer

Das Paper beansprucht drei Hauptsiege für sich:

Geschwindigkeit: Die neue Methode korrigierte die Position des Roboters 96 % schneller als ältere Methoden. Wenn der Roboter mit einem großen Fehler startete (dachte, er sei 1 Meter entfernt, war es aber nicht), korrigierte er diesen Fehler in einem Bruchteil einer Sekunde.
Genauigkeit: Die Schätzung des Roboters über seine Position war 80 % genauer als bei den alten Methoden. In den Gehversuchen lag der Fehler bei weniger als 9 Zentimetern, selbst wenn der Boden wild in Bewegung war.
Keine zusätzliche Ausrüstung: Es erreichte all dies ausschließlich mit den Sensoren, die bereits auf dem Roboter vorhanden sind (Gelenksensoren sowie Sensoren am Torso und an den Füßen). Es war keine Kamera oder zusätzliche Sensoren auf dem Boden erforderlich.

Ein zusätzlicher Trick: Das „Drehen“ korrigieren

Das Paper merkte auch eine kleine Einschränkung an: Während der Roboter perfekt erfassen konnte, wo er war und wie schnell er sich bewegte, hatte er manchmal Schwierigkeiten zu wissen, in welche Richtung er genau blickte (seine Orientierung), wenn der Boden sich auf eine ganz bestimmte, einfache Weise bewegte.

Um dies zu beheben, probierten sie einen einfachen Trick aus: Weitere Sensoren am Brustkorb des Roboters hinzuzufügen. Durch das Platzieren von drei Sensoren in einem Dreieck auf dem Torso des Roboters konnte der Roboter eine „mentale Karte“ seines eigenen Körpers erstellen und so seine Richtung perfekt bestimmen – genau wie man erkennen kann, in welche Richtung ein Tisch zeigt, wenn man drei markante Punkte an ihm sieht.

Zusammenfassung

Kurz gesagt lehrt dieses Paper einem Roboter, wie er auf einem fahrenden Schiff geht, indem er nur seinen eigenen Sinn für Gleichgewicht und Tastsinn nutzt. Er tut dies, indem er seinen aufgesetzten Fuß als Referenzpunkt nutzt, um die Bewegung des Bodens zu „fühlen“, eine spezielle Mathematik verwendet, um Fehler sofort zu korrigieren, und beweist, dass dies besser und schneller funktioniert als bisherige Methoden, die darauf angewiesen waren, dass der Boden stillsteht oder dass zusätzliche Sensoren am Boden angebracht sind.

Technische Zusammenfassung: Propriozeptive invariante Zustandschätzung für humanoide Roboter auf nicht-inertialem Untergrund

Problemstellung
Eine präzise, Echtzeit-Zustandsschätzung ist grundlegend für die modellbasierte Planung und Regelung von Laufrobotern. Während bestehende Schätzer, wie etwa Invariante Erweiterte Kalman-Filter (InEKFs), auf statischem Terrain durch die Ausnutzung gruppenaffiner Dynamiken und invarianter Beobachtungsbedingungen eine hohe Leistung erzielt haben, beruhen sie auf der Annahme, dass der stützende Boden stationär ist. Diese Annahme versagt in nicht-inertialen Umgebungen (z. B. fahrende Züge, Schiffe oder Flugzeuge), in denen durch den Boden induzierte translatorische und rotatorische Bewegungen signifikante Nichtlinearitäten in die Systemdynamik und die Messmodelle einführen. Das Ignorieren dieser Bewegungen führt zu Modellierungsfehlern, welche die Genauigkeit der Schätzung verschlechtern.

Aktuelle Ansätze zur nicht-inertialen Zustandsschätzung stehen vor praktischen Einschränkungen:

Absolute Zustandsschätzung: Methoden, die den absoluten Zustand des Roboters in einem inertialen Weltrahmen schätzen, erfordern oft die direkte, genaue Kenntnis der absoluten Pose und Geschwindigkeit des Bodens, was ohne externe Instrumentierung selten verfügbar ist.
Relative Zustandsschätzung: Neuere Methoden, die den Zustand des Roboters relativ zu einem bewegten Bodenrahmen schätzen, benötigen typischerweise eine externe IMU, die physisch am Boden montiert ist, um dessen Bewegung zu messen. Dies ist in realen Einsätzen aufgrund von Instrumentierungskonstraints, Kommunikationsverzögerungen und Signalverlust in unstrukturierten Umgebungen oft unpraktikabel.
Lernbasierte Methoden: Obwohl vielversprechend, erfordern lernbasierte Schätzer erhebliche Trainingsdaten, und ihre Generalisierbarkeit auf nicht-laterale Umgebungen bleibt unklar.

Es besteht ein Bedarf an einem voll propriozeptiven Schätzer, der die Bewegung eines Robotors relativ zu einem bewegten Bodenrahmen genau verfolgen kann, ohne auf externe Sensoren oder explizite Bodenbewegungen angewiesen zu sein.

Methodik
Das Paper schlägt einen Propriozeptiven Invarianten Erweiterten Kalman-Filter (InEKF) vor, der darauf ausgelegt ist, die relative Basisposition und -geschwindigkeit eines humanoiden Roboters relativ zu einem dynamischen Bodenrahmen zu schätzen, wobei ausschließlich Onboard-Sensoren (Gelenkencoder und am Torso sowie an den Füßen montierte IMUs) verwendet werden.

Zustandsrepräsentation: Der Filter schätzt die relative Basisorientierung ( $R_B^D$ ), Position ( $p_t^D$ ) und Geschwindigkeit ( $v_t^D$ ) in Bezug auf den dynamischen Bodenrahmen $\{D\}$ . Der Zustand ist in einer Matrix-Lie-Gruppe $G$ eingebettet, die aus einer doppelten räumlichen Isometrie $SE_3(3)$ und der speziellen orthogonalen Gruppe $SO(3)$ besteht.
Prozessmodellierung:
- Der Filter leitet kontinuierliche Zeitdynamiken für die relative Basisorientierung, Geschwindigkeit und Position her.
- Entscheidend ist, dass die Abhängigkeit von direkten Bodenbewegungsmessungen (die nicht verfügbar sind) eliminiert wird, indem die kinematischen Zwänge am Standfuß ausgenutzt werden. Durch die Nutzung von Messungen einer fußmontierten IMU berechnet der Filter explizit die bodeninduzierten Beschleunigungen und Winkelgeschwindigkeiten, die für das Prozessmodell erforderlich sind.
- Das Modell berücksichtigt nichtlineare Effekte, die durch Bodenbewegungen induziert werden, und behandelt Fußgleiten als weißes Gaußsches Rauschen.
- Diskrete Ereignisse, wie Fußlandungen und Standwechsel, werden über einen diskreten Propagationsschritt gehandhabt, der die Pose des Standfußes mittels Vorwärtskinematik aktualisiert und dabei die Kontinuität des Basis-Zustands wahrt.
Messmodellierung:
- Der Filter nutzt die aus Gelenkencodern abgeleitete Bein-Odometrie als Messquelle.
- Das Messmodell ist so formuliert, dass es eine rechts-invariante Beobachtungsbedingung erfüllt. Diese Struktur stellt sicher, dass die Fehlerdynamik im deterministischen Fall linear und trajektorienunabhängig ist, was eine robuste Konvergenz selbst unter großen Anfangsunsicherheiten fördert.
Beobachtbarkeitsanalyse:
- Eine lokale Beobachtbarkeitsanalyse der linearisierten Log-Fehlerdynamik zeigt, dass die relative Basisgeschwindigkeit immer beobachtbar ist.
- Die relative Basisposition ist unter allgemeinen Bodenbewegungen beobachtbar, sofern die Standfuß-IMU eine Winkelbewegung auf mindestens zwei Achsen detektiert.
- Die Analyse deutet darauf hin, dass die Basisorientierung unter einer nominalen Sensorik-Konfiguration (eine Torso-IMU und eine Fuß-IMU) unbeobachtbar ist. Sie zeigt jedoch, dass die Erweiterung der Sensorik mit mehreren nicht-kollinearen IMUs am Torso die Rekonstruktion der Basisorientierung ermöglicht und somit eine vollständige Zustandsbeobachtbarkeit erreicht.

Kernbeiträge

Voll propriozeptive InEKF-Formulierung: Ein neuartiger InEKF, der die Pose und Geschwindigkeit der Basis eines humanoiden Roboters relativ zu einem nicht-inertialen Bodenrahmen schätzt, wobei nur Gelenkencoder sowie Torso- und Fuß-IMUs verwendet werden, wodurch externe Bodensensoren entfallen.
Explizite nichtlineare Modellierung: Prozess- und Messmodelle, die bodeninduzierte Nichtlinearitäten explizit berücksichtigen. Das Messmodell erfüllt die rechts-invariante Beobachtungsbedingung, was vorteilhafte Fehlerdynamiken bei großen Anfangsfehlern ermöglicht.
Charakterisierung der Beobachtbarkeit: Eine Analyse, die die Bedingungen festlegt, unter denen die relative Basisposition und -geschwindigkeit beobachtbar sind. Sie schlägt zudem eine einfache Strategie zur Sensorerweiterung (mehrere Torso-IMUs) vor, um die Beobachtbarkeit der Basisorientierung wiederherzustellen.
Experimentelle Validierung: Hardware-Experimente am humanoiden Roboter Digit, die Aufgaben wie Stehen, Squatten und Gehen auf einem schwankenden und nickenden Laufband durchführen.

Experimentelle Ergebnisse
Die Experimente wurden am Digit-Roboter unter fünf Testfällen durchgeführt, die verschiedene Roboterbewegungen (Stehen, Squatten, Gehen) und Bodenbewegungen (Schwanken, Nicken) beinhalteten. Der vorgeschlagene Filter (bezeichnet als FRS) wurde mit zwei Baselines verglichen: SRS (ein Standard-InEKF für statischen Boden) und DRS (ein InEKF für dynamischen Boden, der eine externe, am Boden montierte IMU benötigt).

Konvergenzrate: Der vorgeschlagene FRS erreichte eine 96% schnellere Konvergenzrate im Vergleich zu bestehenden InEKFs. Speziell konvergierte FRS innerhalb von 0,1 Sekunden auf die Grundwahrheit für die Positionsbestimmung, während der DRS-Baseline 3–5 Sekunden benötigte.
Genauigkeit:
- FRS zeigte eine 80%ige Reduktion der Positionsschätzfehler im Vergleich zu bestehenden InEKFs.
- Im stationären Zustand erreichte FRS Positionsfehler von unter 4 cm bei Steh- und Squat-Aufgaben (Fälle T1–T4), verglichen mit etwa 10 cm beim DRS-Baseline.
- Während des Gehens auf einem nickenden Boden (Fall T5) hielt FRS einen durchschnittlichen Schätzfehler von weniger als 9 cm, trotz Anfangsfehlern von bis zu 1 Meter.
Orientierungsrekonstruktion: Experimente mit drei am Torso montierten IMUs rekonstruierten die Basisorientierung erfolgreich mit mittleren absoluten Fehlern von unter 0,4° in Roll-, Pitch- und Yaw-Werten, was die vorgeschlagene Erweiterungsstrategie validiert.
Echtzeit-Leistung: Alle Filter, einschließlich der vorgeschlagenen Methode, unterstützten die Echtzeit-Implementierung mit Rechenzeiten von weniger als 3 ms pro Zyklus auf einem Standard-Laptop.

Bedeutung und Ansprüche
Das Paper behauptet, dass der vorgeschlagene Ansatz eine präzise Echtzeit-Zustandsschätzung für humanoide Roboter in nicht-inertialen Umgebungen ohne explizite Bodenbewegungssensorik ermöglicht. Durch die Nutzung von Fuß-IMUs zur Ableitung der Bodendynamik überwindet die Methode die praktischen Einschränkungen, die eine externe Instrumentierung erfordern. Die Autoren führen an, dass der Filter eine robuste Lösung für Planungs- und Regelungsaufgaben darstellt, die relativ zu einer bewegten Umgebung definiert sind, und dabei eine überlegene Konvergenz und Genauigkeit gegenüber dem aktuellen Stand der Technik selbst bei erheblichen Anfangsunsicherheiten und großen Bodenbewegungen erzielt. Die Arbeit validiert, dass eine vollständige Zustandsbeobachtbarkeit durch einfache Sensorerweiterung erreicht werden kann, was den Ansatz für den Einsatz in unstrukturierten, dynamischen Umgebungen praktikabel macht.