这篇文章介绍了一种让四足机器人（比如机器狗）在看不见、听不清的恶劣环境中，仅靠“感觉”就能精准知道自己走到哪里的新方法。
为了让你轻松理解，我们可以把机器人想象成一个蒙着眼睛的盲人探险家。
1. 核心问题：盲人怎么认路？
通常，机器人认路靠两样东西：
- 外感（眼睛/雷达）： 像 LiDAR 或摄像头，看外面的路。但这在灰尘、烟雾、黑暗或没有纹理的墙壁前会“瞎掉”。
- 内感（本体感觉）： 就像我们闭着眼也能知道手抬多高、腿迈多大步。机器人通过关节传感器（知道腿怎么动）和 IMU（知道身体怎么晃）来推算位置。
以前的做法：
以前的机器人主要靠“内感”来猜位置。为了猜得更准，科学家给机器人装了一个AI 大脑，让它通过回忆“刚才腿是怎么动的”，来预测“我现在身体移动了多远”。
但是，这个 AI 大脑有个致命弱点：它太自信了，而且太“天真”。
- 它假设自己的预测误差是完美的钟形曲线（高斯分布）。就像它认为：“我猜错了的话，大概率是偏一点点，极小概率会偏很多。”
- 现实是： 当机器人遇到没见过的路况（比如从训练场走到真实的泥地），AI 会犯一些奇怪的、巨大的错误（比如突然以为自己在飞，或者以为自己在倒退）。这时候，如果机器人还相信那个“完美的钟形曲线”，它就会过度自信，导致位置估算彻底崩溃，越算越偏，最后像无头苍蝇一样乱撞。
2. 新方案：从“猜概率”到“画圈保命”
这篇论文提出了一种全新的策略，我们叫它**“集合覆盖法”**（Set-Coverage）。
以前的逻辑（高斯假设）：
“我预测你走了 10 米，误差是正态分布的，95% 的概率在 9.5 到 10.5 米之间。”
（一旦实际误差超出了这个范围，整个系统就崩了。）
现在的逻辑（集合覆盖）：
“我预测你走了 10 米。我不确定具体的误差分布，但我敢打包票：90% 的情况下，你的真实位置一定在这个‘大盒子’里（比如 8 米到 12 米之间）。”
这个“大盒子”就是“集合覆盖”。
- 它不关心误差是像钟形曲线那样集中，还是像爆炸一样分散。
- 它只关心：只要在这个盒子里，我就有 90% 的把握是对的。
- 即使 AI 犯了大错，只要没跑出这个盒子，系统就不会崩溃。
3. 怎么把这个“盒子”装进机器人里？（技术比喻）
这就好比机器人脑子里有一个**“信任过滤器”**。
- AI 预测： AI 说：“我觉得我往东走了 5 米。”
- 画盒子： 系统根据之前的经验，画了一个“安全盒子”（比如：实际位置在 4.5 米到 5.5 米之间，概率 85%）。
- 检查冲突：
- 如果机器人之前的推算（基于惯性）和这个“安全盒子”不冲突，那就继续走。
- 如果之前的推算跑到了盒子外面，或者盒子太小装不下之前的推算，系统就会重新调整。
- 神奇的一步（KL 最小化）：
- 系统不会粗暴地把之前的推算扔掉。
- 它会像揉面团一样，把之前的推算“揉”进这个安全盒子里，同时尽量保持原来的形状不变。
- 如果盒子太小，系统会故意把“不确定性”变大（就像说：“好吧，既然我不确定，那我就把范围放宽点，别太自信”），防止机器人因为过度自信而跑偏。
4. 为什么这个方法很厉害？
- 不挑食： 不管 AI 犯的错误是奇怪的、有偏见的，还是完全随机的，只要它能被装进那个“安全盒子”里，机器人就能稳住。
- 不崩溃： 以前的方法在遇到意外时，会因为“太自信”而发散（数值爆炸）；新方法因为知道“我只保证在这个盒子里”，所以即使环境很恶劣，它也能保持冷静，不跑偏。
- 算得快： 虽然听起来很复杂，但作者设计了一种很聪明的数学技巧，让这个过程在普通的笔记本电脑上都能实时运行（每更新一次只要 0.07 毫秒），完全适合装在机器人的小芯片上。
5. 实验结果：真金不怕火炼
作者在两个真实的机器狗数据集（一个是实验室里的，一个是像波士顿动力 Spot 那样的真实户外数据）上测试了这种方法：
- 在平滑地面： 它和以前的方法一样准。
- 在复杂地形（上下楼梯、急转弯、打滑）： 以前的方法（尤其是依赖 AI 预测的）开始漂移，越走越偏，甚至完全迷路。
- 新方法的表现： 即使在这些极端情况下，它依然稳稳当当，没有发生发散，精度甚至超过了依赖摄像头等外部传感器的方法（因为外部传感器在恶劣环境下也会失效）。
总结
这就好比一个老练的探险家：
- 以前的机器人像个新手，拿着地图（AI 预测）就敢狂奔，一旦地图画错了，它就以为世界变了，结果掉进坑里。
- 这篇论文的机器人像个老手，它拿着地图，但心里清楚：“这地图可能不准，但我保证我肯定在这个圈子里”。一旦感觉不对劲，它就放慢脚步，扩大搜索范围，绝不盲目自信。
这种方法让机器人在没有“眼睛”（摄像头/雷达）的黑暗、灰尘环境中，也能靠“腿感”和“体感”安全、精准地探索世界。
1. 研究背景与问题 (Problem)
背景：
四足机器人在非结构化环境（如地下探索、工业巡检）中表现出色，但准确的状态估计是长期自主运行的前提。传统的状态估计通常依赖外部传感器（如 LiDAR、相机），但这些传感器在灰尘、烟雾、黑暗或纹理缺失等感知退化条件下容易失效。相比之下，纯本体感知（Proprioceptive-only） 估计（利用 IMU 和关节传感器）不受环境干扰，鲁棒性强。
核心问题：
近年来，基于学习的方法利用关节历史数据（角度、速度、力矩）训练神经网络来预测身体速度（伪测量值），并将其与 IMU 数据融合。然而，现有方法存在一个关键缺陷：
- 高斯噪声假设的失效： 为了兼容扩展卡尔曼滤波（EKF），这些伪测量的误差通常被建模为零均值高斯分布。
- 数据限制导致的偏差： 在训练数据有限或存在分布偏移（Sim-to-Real）的情况下，模型会产生认知不确定性（Epistemic Uncertainty），导致误差呈现非高斯、有偏（Biased）或多峰分布。
- 滤波器发散风险： 如果强行将非高斯、有偏的误差当作高斯噪声输入 EKF，滤波器会过度自信（Overconfident），导致状态估计不一致甚至发散（Drift）。
目标：
提出一种新的状态估计框架，能够处理非高斯、有偏的伪测量误差，同时保持计算效率，避免滤波器发散。
2. 方法论 (Methodology)
作者提出了一种基于集合覆盖（Set-Coverage） 的状态估计框架，核心思想是用概率集合约束替代具体的概率分布假设。
A. 学习动力学观测器 (Learned Dynamics Observer)
- 输入： 关节层面的本体感知历史数据（角度、速度、力矩）。
- 模型： 使用门控循环单元（GRU）网络，从短窗口历史中预测身体坐标系下的速度（伪测量值 v~t）。
- 输出： 速度预测值及其隐含的误差分布（不假设具体分布形式）。
B. 集合覆盖不确定性表征 (Set-Coverage Uncertainty Representation)
- 核心创新： 放弃高斯假设，转而使用校准的集合覆盖陈述（Calibrated Set-Coverage Statements）。
- 定义： 对于预测误差 et，存在一个边界 ϵ，使得真实误差落在该边界内的概率至少为 γ（置信度）：
P(∣et∣≤ϵ)≥γ
- 优势： 这种陈述是分布无关（Distribution-free） 的，可以通过共形预测（Conformal Prediction）等现代不确定性量化（UQ）工具从数据中校准得出，能够同时捕捉随机不确定性和认知不确定性。
C. 基于 KL 散度的滤波更新 (KL-Minimal Update)
为了将集合约束融入基于高斯的不变扩展卡尔曼滤波（IEKF）中，作者提出了一种数学上严谨的更新策略：
- 约束优化： 寻找一个后验分布，使其满足集合覆盖约束（即集合内的概率质量 ≥γ），同时与先验高斯分布的KL 散度（Kullback-Leibler Divergence） 最小。
- 解析解： 证明了该优化问题有闭式解。如果先验已满足覆盖要求，则不更新；否则，对先验分布进行分段重缩放（Piecewise Rescaling）：增加集合内的概率质量，减少集合外的质量，以满足 γ。
- 矩匹配（Moment Matching）： 由于重缩放后的分布不再是高斯分布，为了保持递归滤波的可行性，通过矩匹配将其近似为高斯分布，从而更新状态均值和协方差。
D. 高效实现
- 利用约束的线性结构，将高维（15 维状态空间）的积分问题降维到输出空间（3 维速度空间）进行计算。
- 使用随机蒙特卡洛采样计算截断矩，计算成本极低（约 0.07 ms/次更新），满足实时性要求。
3. 主要贡献 (Key Contributions)
- 新型状态估计框架： 提出了首个利用校准集合覆盖陈述来建模学习动力学伪测量不确定性的纯本体感知状态估计框架，彻底摒弃了不切实际的高斯噪声假设。
- 高效的融合算法： 开发了一种实用的方法，将集合覆盖约束高效地融入递归滤波器（IEKF）。该方法具有解析解，计算速度快，适合机载实时系统。
- 广泛的验证： 在蒙特卡洛仿真和两个真实世界四足机器人数据集（Vision60 和 Spot）上进行了验证。结果表明，该方法在非高斯噪声场景下能保持一致性（Consistency） 并防止发散，性能优于传统高斯基线，且与基于外部感知的基线具有竞争力。
4. 实验结果 (Results)
A. 蒙特卡洛仿真
- 高斯噪声场景： 当误差确实符合高斯分布时，标准 EKF 精度略高，但本文方法仍保持良好性能。
- 非高斯/有偏噪声场景： 当误差存在持续偏差（模拟训练数据不足导致的分布偏移）时：
- 标准 EKF： 严重发散，归一化估计误差平方和（NEES）极高（~99.8），表明滤波器过度自信且失效。
- 本文方法： 保持了接近名义值的一致性（NEES ≈ 3-4），有效防止了发散，尽管 RMSE 略有增加，但整体鲁棒性显著更强。
B. 真实世界实验 (Vision60 & Spot 数据集)
- Vision60 (室内 Mocap 环境)： 在包含急转弯和打滑表面的轨迹中，本文方法在绝对位置误差（APE）上优于传统的腿部运动学 IEKF 和基于学习的速度 IEKF（高斯假设）。
- Spot (复杂地形，含楼梯、坡道)：
- 在剧烈转向和高度变化（如下楼梯、过桥）时，纯本体感知基线（Leg IEKF, Vel. IEKF）积累了巨大的漂移（例如 Leg IEKF 在 Overpass 序列中漂移达 43 米）。
- 本文方法显著抑制了漂移，在大多数序列中表现最佳。
- 对比感知基线： 在 Spot 数据集的 QUAD 序列中，本文纯本体感知方法的精度甚至超过了基于雷达/视觉的 GaRLILEO 基线。
- 计算效率： 在笔记本电脑 CPU 上，每次更新耗时约 0.07 ms，完全满足高频控制需求。
5. 意义与结论 (Significance & Conclusion)
- 解决“黑盒”学习模型的不确定性难题： 该论文为将深度学习模型（作为虚拟传感器）安全地集成到传统控制/估计闭环中提供了一套数学严谨的解决方案。它承认了学习模型在分布外（OOD）数据上的不可靠性，并通过集合覆盖而非点估计来量化这种风险。
- 提升自主机器人的鲁棒性： 在外部传感器失效的极端环境下，该方法确保了四足机器人仍能进行长期、可靠的自主导航，不会因错误的伪测量而“迷路”或发散。
- 通用性： 虽然应用于四足机器人，但基于集合覆盖的滤波更新策略具有通用性，可推广至其他依赖学习模型进行状态估计的机器人系统。
总结： 这项工作通过用“集合覆盖”替代“高斯假设”，成功解决了学习动力学模型在有限数据下误差分布未知导致的滤波器发散问题，实现了既高效又鲁棒的纯本体感知状态估计。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。